Descrizione del progetto
Trasformare l’elaborazione dei dati spaziali con l’apprendimento automatico
Nell’era digitale, in cui la maggior parte dei dati sono spaziali, l’efficienza delle operazioni sui dati spaziali è fondamentale. I tradizionali approcci di connessione spaziale, parte integrante di applicazioni come la gestione del traffico e il controllo della robotica, fanno i conti con le inefficienze derivanti dalla crescente complessità dei set di dati. Con il sostegno delle azioni Marie Skłodowska-Curie, il progetto LEJO sfrutterà l’apprendimento automatico per rivoluzionare l’elaborazione delle connessioni spaziali. L’obiettivo è quello di comprendere le distribuzioni dei dati spaziali, introducendo approcci appresi per le connessioni spaziali binarie e multidirezionali. Risolvendo i colli di bottiglia, implementando un partizionamento consapevole della distribuzione e progettando indici basati su modelli, LEJO promette impatti reali nelle applicazioni relative ai dati spaziali. Il progetto promuove lo scambio di conoscenze, combinando l’esperienza nell’apprendimento automatico con la gestione dei dati spaziali per plasmare il futuro dell’elaborazione dei dati in Europa e oltre.
Obiettivo
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 fellow’s 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 fellow’s expertise in machine learning and the host university’s 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.
Campo scientifico
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Meccanismo di finanziamento
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinatore
4000 Roskilde
Danimarca