Robustes Data Mining von sehr großen Graphen mit Knotenattributen

• Antragsteller: Professor Dr. Stephan Günnemann
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung von 2015 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 267560157

In vielen daten-intensiven Anwendungen, vom Bereich der sozialen Medien bis zu den Lebenswissenschaften, haben sich Graphen mit Knotenattributen als eine mächtige und höchst informative Datenquelle herausgestellt.Neben der Beschreibung individueller Objekte durch ihre Attribute, werden Beziehungen zwischen den Objekten anhand einer Graphstruktur repräsentiert. Da diese Graphen in extremer Größe generiert und gespeichert werden, besteht ein dringender Bedarf an automatischen Analysemethoden. Das Ziel dieses Projektes ist die Erforschung von robusten Clustering Methoden für Graphen mit Knotenattributen. Wir streben die Lösung zweier entscheidender, offener Probleme an: Zum einen unterliegen in Realanwendungen die gespeicherten Graphen häufig Fehlern, enthalten Ausreißer und sind anfällig gegenüber Attacken. Zum anderen, haben die gespeicherten Graphen eine extreme Größe. Wir erforschen effiziente und hochskalierbare Algorithmen. Die angestrebten Forschungsziele stellen eine wichtige Grundlage für weitere Data Mining Aufgaben im Kontext von komplexen Graphdaten dar und leisten einen Beitrag zur theoretischen und praktischen Weiterentwicklung von Systemen wie beispielsweise zur Fraud Detection, Datenbereinigung, und Produktempfehlung.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen