Description du projet
Des techniques non linéaires pour une analyse massive des données
Le développement récent de techniques non linéaires pour la collecte et le traitement de quantités massives de données a offert aux chercheurs des possibilités inégalées d’analyse et de modélisation exploratoires des données. Le projet DIFFOP, financé par l’UE, envisage de développer une méthodologie fondamentalement nouvelle d’analyse de données de haute dimension avec des opérateurs de diffusion, en utilisant de récents résultats transformateurs en matière d’apprentissage de la géométrie et des multiples. L’accent sera essentiellement mis sur l’étude de la théorie de base de l’analyse non linéaire des données, et sur le développement de nouveaux opérateurs et d’algorithmes efficaces guidés par les données. En outre, le projet s’appuiera sur sa nouvelle approche pour concevoir des solutions efficaces à un large éventail de problèmes ouverts d’analyse de données du monde réel qui impliquent les représentations intrinsèques, la fusion de capteurs, l’analyse de séries temporelles, les inférences de connectivité de réseau et l’adaptation de domaine.
Objectif
Nowadays, extensive collection and storage of massive data sets have become a routine in multiple disciplines and in everyday life. These large amounts of intricate data often make data samples arithmetic and basic comparisons problematic, raising new challenges to traditional data analysis objectives such as filtering and prediction. Furthermore, the availability of such data constantly pushes the boundaries of data analysis to new emerging domains, ranging from neuronal and social network analysis to multimodal sensor fusion. The combination of evolved data and new domains drives a fundamental change in the field of data analysis. Indeed, many classical model-based techniques have become obsolete since their models do not embody the richness of the collected data. Today, one notable avenue of research is the development of nonlinear techniques that transition from data to creating representations, without deriving models in closed-form. The vast majority of such existing data-driven methods operate directly on the data, a hard task by itself when the data are large and elaborated. The goal of this research is to develop a fundamentally new methodology for high dimensional data analysis with diffusion operators, making use of recent transformative results in manifold and geometry learning. More concretely, shifting the focus from processing the data samples themselves and considering instead structured data through the lens of diffusion operators will introduce new powerful “handles” to data, capturing their complexity efficiently. We will study the basic theory behind this nonlinear analysis, develop new operators for this purpose, and devise efficient data-driven algorithms. In addition, we will explore how our approach can be leveraged for devising efficient solutions to a broad range of open real-world data analysis problems, involving intrinsic representations, sensor fusion, time-series analysis, network connectivity inference, and domain adaptation.
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 électroniquecapteurs
- sciences naturellesmathématiquesmathématiques puresgéométrie
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Thème(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2018-STG
Voir d’autres projets de cet appelRégime de financement
ERC-STG - Starting GrantInstitution d’accueil
32000 Haifa
Israël