新的数字算法帮助科学家从多个来源连接数据点来解决高风险问题

开源图机学习库StellarGraph今天发布了一系列新的网络图分析算法，以帮助发现数据中的模式，处理更大的数据集并在减少内存使用的同时提高性能。

StellarGraph是澳大利亚国家科学机构CSIRO的一部分，通过它的数据科学部门Data61。

欺诈和网络等问题非常复杂，涉及来自多个来源的紧密关联的数据。

数据科学家在处理连接数据时面临的挑战之一是，如何理解实体之间的关系，而不是在竖井中查看数据，以便更深入地了解问题。

团队负责人蒂姆·皮特曼表示，解决重大挑战需要比简单算法更广泛的背景。

“以网络图的形式获取数据可以使组织了解他们试图解决的问题的整个背景——无论是执法、理解遗传疾病还是欺诈检测。”

StellarGraph库提供了最先进的机器学习算法图,装备与工具来构建数据科学家和工程师,测试和实验与强大的机器学习模型在自己的网络数据,允许他们看到模式和帮助他们的研究应用于各行业解决现实世界问题。

“我们已经为数据科学家开发了一个强大的、直观的图形机器学习库——它使最新的研究可以用于解决许多行业部门的数据驱动问题。”

CSIRO的Data61发布的1.0版本提供了三种新的算法，支持图数据分类和时空数据，此外还提供了一种新的图数据结构，可以显著降低内存使用量，提高性能。

从时空数据的发现模式和知识越来越重要,有深远的影响等许多现实世界的现象交通预测,空气质量,甚至可能运动和接触者追踪的传染性疾病的困扰适合深度学习框架,可以学习从收集的数据跨越空间和时间。

新的图谱分类算法的测试包括利用训练图谱神经网络来预测分子的化学性质的实验，这些进展有望使数据科学家和研究人员找到抗病毒分子来对抗感染，比如。

图书馆的广泛能力和增强的性能是三年来提供可访问的、前沿的算法的工作的顶峰。

Pitman先生说:“这次发布的新算法为需要解决的新问题打开了大门，包括欺诈检测和道路交通预测。

“我们还简化了库的使用，并努力优化性能，允许用户处理更大的数据。”

StellarGraph已成功用于预测阿尔茨海默氏症的基因,提供先进的人力资源分析和检测比特币ransomware, Data61研究的一部分,该技术是目前用来预测小麦人口特征基于基因组标记导致改善基因组选择策略来增加粮食产量。

该技术可应用于工业、政府和研究领域的网络数据集，并已开始探索将星图应用于复杂的欺诈、医疗图像和运输数据集。

调查性分析小组组长亚历克斯·柯林斯(Alex Collins)说:“组织面临的挑战是如何从他们的数据中获得最大的价值。使用网络图分析可以为高风险、高影响的决策提供新的信息。”

StellarGraph是一个在TensorFlow2和Keras中构建的Python库，可以在StellarGraph的GitHub上免费获得。