
Scalable Algorithms for Data and Network Analysis
Im Zeitalter von Big Data sind effiziente Algorithmen gefragter denn je. Big Data führt uns zwar in die asymptotische Welt, die sich unsere Pioniere vorgestellt haben, stellt aber auch die klassische Vorstellung von effizienten Algorithmen in Frage: Algorithmen, die früher aufgrund ihrer Polynomialzeit-Charakterisierung als effizient galten, sind für die Lösung heutiger Probleme möglicherweise nicht mehr geeignet.
Es ist nicht nur wünschenswert, sondern unerlässlich, dass effiziente Algorithmen skalierbar sind. Mit anderen Worten: Ihre Komplexität sollte nahezu linear oder sublinear mit der Problemgröße sein. Daher sollte die Skalierbarkeit und nicht nur die Polynomialzeit-Berechenbarkeit zum zentralen Komplexitätsbegriff für die Charakterisierung effizienter Berechnungen erhoben werden.
Skalierbare Algorithmen für die Daten- und Netzwerkanalyse untersucht eine Familie von algorithmischen Techniken für den Entwurf skalierbarer Algorithmen. Zu diesen Techniken gehören die Erkundung lokaler Netzwerke, fortgeschrittenes Sampling, Sparsifizierung und geometrische Partitionierung.
Sie umfassen auch spektrale graphentheoretische Methoden, wie sie für die Berechnung elektrischer Ströme und das Sampling aus Gaußschen Markov-Zufallsfeldern verwendet werden. Diese Methoden sind ein Beispiel für die Verschmelzung von kombinatorischem, numerischem und statistischem Denken in der Netzanalyse.
Skalierbare Algorithmen für die Daten- und Netzwerkanalyse veranschaulicht die Anwendung dieser Techniken anhand einiger grundlegender Probleme, die bei der Analyse von Netzwerkdaten von grundlegender Bedeutung sind, insbesondere für die Identifizierung von bedeutenden Knoten und kohärenten Clustern/Gemeinschaften in sozialen und Informationsnetzwerken. Darüber hinaus werden einige Rahmenwerke erörtert, die über graphentheoretische Modelle hinausgehen, um konzeptionelle Fragen zu untersuchen, die sich bei der Netzwerkanalyse und bei sozialen Einflüssen stellen.