新的數(shù)字算法幫助科學家從多個來源連接數(shù)據點來解決高風險問題

開源圖機學習庫StellarGraph今天發(fā)布了一系列新的網絡圖分析算法，以幫助發(fā)現(xiàn)數(shù)據中的模式，處理更大的數(shù)據集并在減少內存使用的同時提高性能。

StellarGraph是澳大利亞國家科學機構CSIRO的一部分，通過它的數(shù)據科學部門Data61。

欺詐和網絡等問題非常復雜，涉及來自多個來源的緊密關聯(lián)的數(shù)據。

數(shù)據科學家在處理連接數(shù)據時面臨的挑戰(zhàn)之一是，如何理解實體之間的關系，而不是在豎井中查看數(shù)據，以便更深入地了解問題。

團隊負責人蒂姆·皮特曼表示，解決重大挑戰(zhàn)需要比簡單算法更廣泛的背景。

“以網絡圖的形式獲取數(shù)據可以使組織了解他們試圖解決的問題的整個背景——無論是執(zhí)法、理解遺傳疾病還是欺詐檢測?！?/p>

StellarGraph庫提供了最先進的機器學習算法圖,裝備與工具來構建數(shù)據科學家和工程師,測試和實驗與強大的機器學習模型在自己的網絡數(shù)據,允許他們看到模式和幫助他們的研究應用于各行業(yè)解決現(xiàn)實世界問題。

“我們已經為數(shù)據科學家開發(fā)了一個強大的、直觀的圖形機器學習庫——它使最新的研究可以用于解決許多行業(yè)部門的數(shù)據驅動問題。”

CSIRO的Data61發(fā)布的1.0版本提供了三種新的算法，支持圖數(shù)據分類和時空數(shù)據，此外還提供了一種新的圖數(shù)據結構，可以顯著降低內存使用量，提高性能。

從時空數(shù)據的發(fā)現(xiàn)模式和知識越來越重要,有深遠的影響等許多現(xiàn)實世界的現(xiàn)象交通預測,空氣質量,甚至可能運動和接觸者追蹤的傳染性疾病的困擾適合深度學習框架,可以學習從收集的數(shù)據跨越空間和時間。

新的圖譜分類算法的測試包括利用訓練圖譜神經網絡來預測分子的化學性質的實驗，這些進展有望使數(shù)據科學家和研究人員找到抗病毒分子來對抗感染，比如。

圖書館的廣泛能力和增強的性能是三年來提供可訪問的、前沿的算法的工作的頂峰。

Pitman先生說:“這次發(fā)布的新算法為需要解決的新問題打開了大門，包括欺詐檢測和道路交通預測。

“我們還簡化了庫的使用，并努力優(yōu)化性能，允許用戶處理更大的數(shù)據?！?/p>

StellarGraph已成功用于預測阿爾茨海默氏癥的基因,提供先進的人力資源分析和檢測比特幣ransomware, Data61研究的一部分,該技術是目前用來預測小麥人口特征基于基因組標記導致改善基因組選擇策略來增加糧食產量。

該技術可應用于工業(yè)、政府和研究領域的網絡數(shù)據集，并已開始探索將星圖應用于復雜的欺詐、醫(yī)療圖像和運輸數(shù)據集。

調查性分析小組組長亞歷克斯·柯林斯(Alex Collins)說:“組織面臨的挑戰(zhàn)是如何從他們的數(shù)據中獲得最大的價值。使用網絡圖分析可以為高風險、高影響的決策提供新的信息。”

StellarGraph是一個在TensorFlow2和Keras中構建的Python庫，可以在StellarGraph的GitHub上免費獲得。