Opis projektu
Transformacja dziedziny przetwarzania danych przestrzennych za pomocą uczenia maszynowego
W erze cyfrowej, w której większość danych ma charakter przestrzenny, kluczowe znaczenie ma wydajność operacji na tego typu danych. Tradycyjne metody łączenia przestrzennego, integralne dla aplikacji takich jak zarządzanie ruchem i kontrola robotyki, napotykają na nieefektywność przy rosnącej złożoności zbiorów danych. Realizowany przy wsparciu programu działania „Maria Skłodowska-Curie” projekt LEJO wykorzysta uczenie maszynowe do zrewolucjonizowania przetwarzania danych przestrzennych. Jego celem jest zrozumienie rozkładów danych przestrzennych poprzez wprowadzenie wyuczonego podejścia do binarnych i wielokierunkowych połączeń przestrzennych. Poprzez skupienie się na wąskich gardłach, wdrożenie partycjonowania uwzględniającego dystrybucję i projektowanie indeksów oparte na modelach projekt LEJO może stanowić obietnicę rzeczywistego wpływu na aplikacje wykorzystujące dane przestrzenne. Wspiera on wymianę wiedzy, łącząc specjalistyczną wiedzę z zakresu uczenia maszynowego z zarządzaniem danymi przestrzennymi w celu kształtowania przyszłości przetwarzania danych w Europie i poza nią.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
4000 Roskilde
Dania