Key points are not available for this paper at this time.
تُعد الرسوم البيانية المعرفية (KG) مصادر معلومات قيمة تخزن المعرفة في مجال معين (الرعاية الصحية، المالية، التجارة الإلكترونية، الأمن السيبراني). معظم الرسوم البيانية المعرفية الصناعية ديناميكية بطبيعتها حيث يتم تحديثها بانتظام ببيانات متدفقة (نشاط العميل، حركة مرور الشبكة، سجلات التطبيقات، عمليات تكنولوجيا المعلومات). ومع ذلك، تأتي استخلاص الرؤى من البيانات التي يتم تحديثها بشكل مستمر مع تحديات كبيرة، خاصة في إعدادات البيانات الكبيرة. في هذا البحث، نتناول التحديات التالية: 1) استيعاب البيانات غير المتجانسة، 2) تدريب ونشر نماذج تنبؤية على البيانات التي تتطور باستمرار، و3) تنفيذ خطوط بيانات لتحديث وصيانة الرسم البياني المعرفي في الإنتاج. نحن نغطي جوانب متعددة من هذه العملية، من جمع المعرفة إلى تفعيلها. نقترح Stream2Graph، وهو نظام قائم على التدفق لبناء وتحديث القاعدة المعرفية ديناميكياً في الوقت الفعلي. ثم نظهر كيف يمكن استخدام ميزات الرسم البياني في نماذج التعلم الآلي عبر الإنترنت في أسفل السلسلة. تعزز هذه الحلول من سرعة تعلم بيانات التدفق الكبيرة واستخراج المعرفة لتحسين تطبيقات الذكاء الاصطناعي المعتمدة على الرسوم البيانية. تُظهر النتائج التجريبية فعالية حلنا في بناء قاعدة المعرفة وتحسين قدرات تعلم البيانات الكبيرة. أدى استخدام البيانات من Stream2Graph إلى تسريع وقت التدريب والاستدلال في نطاق يتراوح من 547x إلى 2000x في نماذج التعلم الآلي في الأسفل. أخيراً، نقدم الدروس المستفادة من تطبيق التعلم عبر الإنترنت المعتمد على الرسوم البيانية في معالجة البيانات المتدفقة عالية السرعة على نطاق واسع.
درس بارى وآخرون (السبت) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: