DC:Small: Collaborative Research: Data Intensive Computing for General Relational Data Learning
DC:Small:协作研究:用于一般关系数据学习的数据密集型计算
基本信息
- 批准号:1017828
- 负责人:
- 金额:$ 25万
- 依托单位:
- 依托单位国家:美国
- 项目类别:Standard Grant
- 财政年份:2010
- 资助国家:美国
- 起止时间:2010-09-01 至 2015-08-31
- 项目状态:已结题
- 来源:
- 关键词:
项目摘要
It is well-observed that the whole world is full of data that are highly related and of diverse data object types such as people, organizations, and events. In many applications, it is intended to discover the hidden structures through such relationships involving different types of data objects in the world, in addition to "clusters" of the same type of data objects. On the other hand, relational data learning typically involves a large collection of data objects and thus algorithms for relational data learning are computation-intensive as well as data intensive. This calls for massively parallel solutions in order to make the algorithms scalable to large collections of data. This project addresses a three year integrated research and education program focusing on engaging in-depth research in developing novel parallel frameworks for a wide spectrum of state-of-the-art solutions to a series of fundamental problems in relational data learning. This research promotes the revolutionized understanding of relational data learning in the context of distributed computation environment. The project addresses fundamental problems in the literature of relational data learning as well as the expected breakthrough in the interdisciplinary and multidisciplinary research communities including parallel computation and scheduling, data mining and machine learning, and pattern analysis. The technologies generated from the research can be immediately deployed in important applications such as social network analysis, biological information discovery, financial and economic development analysis and prediction, natural disaster prediction, as well as military intelligence analysis.Project url:http://www.fortune.binghamton.edu/nsf-iis-1017828.htm
观察到全世界充满了高度相关和多种数据对象类型(例如人,组织和事件)的数据。在许多应用程序中,除了相同类型的数据对象的“群集”外,它旨在通过涉及世界上不同类型的数据对象的这种关系来发现隐藏的结构。另一方面,关系数据学习通常涉及大量数据对象,因此,用于关系数据学习的算法是计算密集型以及数据密集型的。这需要大量并行解决方案,以使算法可扩展到大量数据集合。该项目介绍了一项为期三年的综合研究和教育计划,重点是吸引深入的研究,以开发新型的平行框架,以解决各种最新的解决方案,以解决关系数据学习中一系列基本问题。这项研究促进了在分布式计算环境的背景下对关系数据学习的革命性理解。该项目解决了关系数据学习文献中的基本问题,以及跨学科和多学科研究社区的预期突破,包括并行计算和调度,数据挖掘和机器学习以及模式分析。从研究产生的技术可以立即部署在重要的应用中,例如社交网络分析,生物信息发现,金融和经济发展分析和预测,自然灾害预测以及军事智能分析。Projecturl:http://wwww.fortune.binghamton.binghamton.edu/nsf-iis-1017828.htm.http:/
项目成果
期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
数据更新时间:{{ journalArticles.updateTime }}
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
数据更新时间:{{ journalArticles.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ monograph.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ sciAawards.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ conferencePapers.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ patent.updateTime }}
Zhongfei Zhang其他文献
Multilayer Semantic Analysis in Image Databases
图像数据库中的多层语义分析
- DOI:
10.1007/978-3-319-07812-0_19 - 发表时间:
2015 - 期刊:
- 影响因子:0
- 作者:
I. Sayad;J. Martinet;Zhongfei Zhang;P. Eisert - 通讯作者:
P. Eisert
Sensor network partitioning based on homogeneity
基于同质性的传感器网络划分
- DOI:
10.1109/dsaa.2015.7344811 - 发表时间:
2015 - 期刊:
- 影响因子:0
- 作者:
Yi Xu;Zhongfei Zhang;Yaqing Zhang;Philip S. Yu - 通讯作者:
Philip S. Yu
Addressing CBIR efficiency, effectiveness, and retrieval subjectivity simultaneously
同时解决 CBIR 效率、有效性和检索主观性问题
- DOI:
10.1145/973264.973276 - 发表时间:
2003 - 期刊:
- 影响因子:0
- 作者:
Ruofei Zhang;Zhongfei Zhang - 通讯作者:
Zhongfei Zhang
Mining Bulletin Board Systems Using Community Generation
使用社区生成的采矿公告板系统
- DOI:
10.1007/978-3-540-68125-0_20 - 发表时间:
2008 - 期刊:
- 影响因子:0
- 作者:
Ming Li;Zhongfei Zhang;Zhi - 通讯作者:
Zhi
Bayesian Multi-Task Relationship Learning with Link Structure
具有链接结构的贝叶斯多任务关系学习
- DOI:
- 发表时间:
2013 - 期刊:
- 影响因子:8.9
- 作者:
Yingming Li;Ming Yang;Zhongang Qi;Zhongfei Zhang - 通讯作者:
Zhongfei Zhang
Zhongfei Zhang的其他文献
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
{{ truncateString('Zhongfei Zhang', 18)}}的其他基金
International Workshop on Connected Multimedia
互联多媒体国际研讨会
- 批准号:
0956924 - 财政年份:2009
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
III-COR-Small: Relational Data Community Discovery and Learning
III-COR-Small:关系数据社区发现和学习
- 批准号:
0812114 - 财政年份:2009
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
Exploiting Multimodel Synergy for Large Scale and Diverse Image Retrieval in Digital Archives
利用多模型协同作用进行数字档案中的大规模和多样化图像检索
- 批准号:
0535162 - 财政年份:2006
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
相似国自然基金
基于超宽频技术的小微型无人系统集群协作关键技术研究与应用
- 批准号:
- 批准年份:2020
- 资助金额:57 万元
- 项目类别:面上项目
异构云小蜂窝网络中基于协作预编码的干扰协调技术研究
- 批准号:61661005
- 批准年份:2016
- 资助金额:30.0 万元
- 项目类别:地区科学基金项目
密集小基站系统中的新型接入理论与技术研究
- 批准号:61301143
- 批准年份:2013
- 资助金额:24.0 万元
- 项目类别:青年科学基金项目
ScFVCD3-9R负载Bcl-6靶向小干扰RNA治疗EAMG的试验研究
- 批准号:81072465
- 批准年份:2010
- 资助金额:31.0 万元
- 项目类别:面上项目
基于小世界网络的传感器网络研究
- 批准号:60472059
- 批准年份:2004
- 资助金额:21.0 万元
- 项目类别:面上项目
相似海外基金
DC: Small: Collaborative Research: DARE: Declarative and Scalable Recovery
DC:小型:协作研究:DARE:声明式和可扩展的恢复
- 批准号:
1321958 - 财政年份:2012
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
DC:Small:Collaborative Research:Data Intensive Computing for General Relational Data Learning
DC:Small:协作研究:用于一般关系数据学习的数据密集型计算
- 批准号:
1018114 - 财政年份:2010
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
DC: Small: Collaborative Research: DARE: Declarative and Scalable Recovery
DC:小型:协作研究:DARE:声明式和可扩展的恢复
- 批准号:
1016924 - 财政年份:2010
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
DC: Small: Collaborative Research: DARE: Declarative and Scalable Recovery
DC:小型:协作研究:DARE:声明式和可扩展的恢复
- 批准号:
1017073 - 财政年份:2010
- 资助金额:
$ 25万 - 项目类别:
Standard Grant
DC: Small: Collaborative Research: Exploring Energy-Reliability Trade-offs in Data Storage Systems
DC:小型:协作研究:探索数据存储系统中的能源可靠性权衡
- 批准号:
1016198 - 财政年份:2010
- 资助金额:
$ 25万 - 项目类别:
Standard Grant