StellarGraph امروز کتابخانه یادگیری ماشین با استفاده از نمودار منبع آزاد مجموعه ای از الگوریتم های جدید را برای تجزیه و تحلیل نمودار شبکه راه اندازی کرده است تا به کشف الگوهای داده ، کار با مجموعه داده های بزرگتر و سرعت بخشیدن به عملکرد ضمن کاهش مصرف حافظه کمک کند.

StellarGraph بخشی از آژانس علوم ملی استرالیا ، CSIRO است که از طریق بازوی علوم داده خود ، Data61 است.

مشکلاتی مانند کلاهبرداری و جرایم سایبری بسیار پیچیده است و شامل داده های متراکم از بسیاری از منابع است.

یكی از چالش هایی كه دانشمندان هنگام مواجهه با داده های متصل با آن روبرو هستند ، چگونگی درک روابط بین موجودات ، بر خلاف نگاه كردن به داده ها در سیلوها ، برای ارائه درک عمیق تر از مسئله است.

تیم پیتمن ، كتابخانه StellarGraph ، رهبر تیم گفت: حل چالش های بزرگ نیاز به زمینه گسترده تری دارد كه اغلب توسط الگوریتم های ساده تر مجاز است.

"ضبط داده ها به عنوان نمودار شبکه ، سازمان ها را قادر می سازد تا زمینه کاملی از مشکلات مورد نظرشان را حل کنند ، خواه اجرای قانون ، درک بیماریهای ژنتیکی یا کشف تقلب باشد."

کتابخانه StellarGraph الگوریتم های پیشرفته ای برای یادگیری ماشین گراف ارائه می دهد ، دانشمندان و مهندسان داده را به ابزارهایی برای ساخت ، آزمایش و آزمایش با مدلهای یادگیری ماشین قدرتمند بر روی داده های شبکه خود تجهیز می کند و به آنها امکان مشاهده الگوهای و کمک به کاربرد را می دهد. تحقیقات آنها برای حل مشکلات دنیای واقعی در صنایع.

ما یک کتابخانه قدرتمند و بصری برای یادگیری دستگاه گراف ایجاد کرده ایم - کتابخانه ای که جدیدترین تحقیقات را برای حل مشکلات داده محور در بسیاری از بخش های صنعت امکان پذیر می کند. "

نسخه 1.0 توسط تیم در Data61 CSIRO ، سه الگوریتم جدید را به کتابخانه ارائه می دهد ، علاوه بر ساختار اطلاعات جدید نمودار که علاوه بر استفاده از حافظه کمتر و عملکرد بهتر ، از طبقه بندی نمودار و داده های مکانی-زمانی پشتیبانی می کند.

کشف الگوهای و دانش از داده های مکانی- زمانی به طور فزاینده ای اهمیت دارد و پیامدهای بسیار گسترده ای را برای بسیاری از پدیده های دنیای واقعی مانند پیش بینی ترافیک ، کیفیت هوا و حتی به طور بالقوه حتی حرکت و ردیابی تماس با بیماری های عفونی فراهم می کند - مشکلات مناسب برای چارچوب های یادگیری عمیق که می توانید از داده های جمع آوری شده در فضا و زمان یاد بگیرید.

آزمایش الگوریتم های طبقه بندی گراف جدید شامل آزمایش با آموزش شبکه های عصبی گراف برای پیش بینی ویژگی های شیمیایی مولکول ها ، پیشرفت هایی است که می تواند وعده داده شود در قادر ساختن دانشمندان و محققان داده برای یافتن مولکولهای ضد ویروسی برای مبارزه با عفونتها ، مانند COVID-19.

توانایی گسترده و عملکرد پیشرفته کتابخانه اوج کار سه ساله در ارائه الگوریتم های قابل دسترسی و پیشرو است.

آقای پیتمن گفت: "الگوریتم های جدید موجود در این نسخه ، کتابخانه را به سمت کلاس های جدید از مشکلات از جمله کشف تقلب و پیش بینی ترافیک جاده ها باز می کند.

"ما همچنین استفاده از كتابخانه را آسانتر كرده ایم و كار كرده ایم تا بتوانیم كارایی خود را با داده های بزرگتر كار كنیم."

از StellarGraph برای پیش بینی موفقیت آمیز ژن های آلزایمر ، ارائه تحلیل پیشرفته منابع انسانی و کشف باج افزار بیت کوین استفاده شده است ، و به عنوان بخشی از یک مطالعه Data61 ، در حال حاضر این فناوری برای پیش بینی صفات جمعیت گندم بر اساس نشانگرهای ژنومی استفاده می شود که می تواند منجر به بهبود ژنومی شود. راهبردهای انتخاب برای افزایش عملکرد دانه.

این فناوری می تواند برای مجموعه داده های شبکه موجود در زمینه های صنعت ، دولت و تحقیقات استفاده شود و اکتشاف در استفاده از StellarGraph در کلاهبرداری های پیچیده ، تصاویر پزشکی و مجموعه داده های حمل و نقل آغاز شده است.

الکس کالینز ، تحلیلگر تحلیلی رهبر گروه ، CSIRO's Data61 گفت: "چالش سازمان ها این است که بیشترین ارزش را از داده های خود کسب کنند. استفاده از تجزیه و تحلیل نمودار شبکه می تواند راههای جدیدی را برای آگاهی از تصمیمات پرخطر و با تأثیر بالا باز کند."

StellarGraph یک کتابخانه Python است که در TensorFlow2 و Keras ساخته شده است ، و بصورت رایگان در دسترس است با منبع آزاد در GitHub در Stellargraph .