Higher order knowledge mining for humanistic data-generated graphs

Abstract

Humanistic data not only are important by definition, but also are gradually becoming the prevalent data category in contemporary knowledge-based civilizations. They have a plethora of important properties including a potentially enormous size, increasingly quicker generation rates, and maybe corrupted or incomplete entries. Despite these challenges mining these data is bound to provide crucial knowledge across numerous aspects of everyday life smart cities, digital health, and electronic financial transactions. Thus, algorithms handling humanistic linked oriented data should take these properties into consideration and, wherever possible, turn them to their advantage. To this end machine learning is critical. Three neural network architectures, namely tensor stack networks, self organizing maps, and graph neural networks have been applied respectively to the assessment of graph resiliency, the clustering of fMRI images, and the discovery of affective communities in Twitter graphs.

Τα ανθρωπιστικά δεδομένα όχι μόνο είναι εξ ορισμού σημαντικά, αλλά γίνονται σταδιακά η κυρίαρχη κατηγορία δεδομένων στους σύγχρονους πολιτισμούς οι οποίοι βασίζονται σε εξαιρετικά μεγάλο βαθμό στη γνώση. Έχουν μια πληθώρα σημαντικών ιδιοτήτων, όπως ένα δυνητικά τεράστιο μέγεθος, ολοένα και ταχύτερους ρυθμούς παραγωγής, και ίσως κατεστραμμένες ή ελλιπείς καταχωρήσεις. Παρά αυτές τις προκλήσεις, η εξόρυξη αυτών των δεδομένων είναι βέβαιο πως θα παρέχει σημαντική γνώση σε πολλές πτυχές της καθημερινής ζωής έξυπνων πόλεων, της ψηφιακής υγείας, και των ηλεκτρονικών χρηματοοικονομικών συναλλαγών. Έτσι, οι αλγόριθμοι που χειρίζονται ανθρωπιστικά συνδεδεμένα δεδομένα θα πρέπει να λαμβάνουν υπόψη αυτές τις ιδιότητες και, όπου είναι δυνατόν, να τις χρησιμοποιούν προς όφελός τους. Για το σκοπό αυτό η μηχανική μάθηση είναι κρίσιμη. Τρεις αρχιτεκτονικές νευρωνικών δικτύων, συγκεκριμένα δίκτυα στοίβας τανυστών, χάρτες αυτο-οργάνωσης και νευρωνικά δίκτυα γράφων έχουν εφαρμοστεί αντίστοιχα στην αξιολόγηση της ανθεκτικότητας γράφων, στη συσταδοποίηση εικόνων fMRI, και στην ανακάλυψη συναισθηματικών κοινοτήτων στο Twitter.