Gelernte Indexstrukturen für die Ähnlichkeitssuche

• Antragsteller: Professor Dr. Peer Kröger
• Fachliche Zuordnung: Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512436663

Für die effiziente Ähnlichkeitssuche in komplexen, ggfls. unstrukturierten Daten werden typischerweise hierarchischen Indexstrukturen verwendet. Diese Indexstrukturen organisieren Daten in metrischen Räumen anhand der paarweisen Distanzen zueinander sowie zu repräsentativen Pivot-Elemnten, um die Anzahl der (Objekt-)Vergleiche pro Anfrage möglichst zu minimieren. In diesem Projekt wird ein neuartiger Ansatz für Indexstrukturen erforscht, der als sehr vielversprechend diskutiert wird: die Verwendung von Methoden des maschinellen Lernens zur Vorhersage von Anfrageresultaten, d.h. die Ersetzung von hierarchischen, Pivot-basierten Strukturen durch "einfache" Vorhersagemodelle. Es werden in diesem Projekt entsprechend Ansätze aus dem überwachten und unüberwachten maschinellen Lernen verwendet, um neuartige, "gelernte" Indextrukturen zu entwickeln und diesen neuartigen Ansatz für metrische Daten zu verifizieren.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Tschechische Republik
• Kooperationspartner: Professor Vlastislav Dohnal, Ph.D.