Description du projet
Transformer le traitement des données spatiales grâce à l’apprentissage automatique
À l’ère numérique, où la plupart des données sont spatiales, l’efficacité des opérations sur les données spatiales est primordiale. Les approches traditionnelles de jonction spatiale, qui font partie intégrante d’applications telles que la gestion du trafic et le contrôle de la robotique, sont confrontées à des inefficacités dues à la complexité croissante des ensembles de données. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet LEJO s’appuiera sur l’apprentissage automatique pour révolutionner le traitement des jonctions spatiales. Il vise à comprendre les distributions de données spatiales, en introduisant des approches apprises pour les jonctions spatiales binaires et multi-voies. En s’attaquant aux goulets d’étranglement, en mettant en œuvre un partitionnement tenant compte de la distribution et en concevant des index basés sur des modèles, LEJO promet des effets concrets sur les applications de données spatiales. Le projet favorise l’échange de connaissances, en combinant l’expertise en matière d’apprentissage automatique avec la gestion des données spatiales pour façonner l’avenir du traitement des données à l’intérieur et au-delà de l’Europe.
Objectif
Arguably 80% of all data is spatial. This calls for highly efficient and effective spatial data operations. Among them, spatial joins are frequently needed as a key primitive in various applications such as traffic management, robotics control, location-based services and even human brain modelling. However, existing spatial join approaches follow the traditional filter-and-refinement paradigm that is data distribution-oblivious. As a result, existing approaches are increasingly inefficient as spatial datasets to be joined become larger and more complex. The project LEJO is intended to make use of machine learning techniques to better understand the distributions of spatial data, and accordingly design learned approaches for highly efficient spatial join processing. Specifically, the research actions of LEJO include (1) learned approaches for binary spatial joins of memory-resident data; (2) learned approaches for binary spatial joins of disk-resident data; (3) learned approaches for multi-way spatial joins. The research actions will mainly concern analysis of the bottlenecks of existing approaches, design of distribution-aware space/data partitioning, design of learned model based indexes and join algorithms, and implementation and evaluation of the proposed techniques. These research actions, as well as project planning and management, will significantly strengthen the fellows research profile and manage skill. This in turn will put him in a considerably better position for future career development after the project. Moreover, a two-way knowledge transfer is expected as LEJO combines the fellows expertise in machine learning and the host universitys expertise in spatial data management. Focusing on the challenging intersection of spatial data management and machine learning, LEJO will not only advance the frontier research in the academia but also bring about potential impacts on many spatial data application domains in and beyond Europe.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- ingénierie et technologiegénie électrique, génie électronique, génie de l’informationingénierie électroniquerobotique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2022-PF-01
Voir d’autres projets de cet appelRégime de financement
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinateur
4000 Roskilde
Danemark