返回
Incremental data alignment for evolving datasets
DOI:10.1016/j.datak.2026.102608.png)
摘要
En 中文
信息系统在当今不断演变的数字环境中面临重大挑战,包括动态数据、异构来源和分析复杂性,这些直接影响决策过程和组织竞争力。数据对齐是利用其模式和实例对齐不同来源的过程,已成为确保数据一致性和实现有效数据探索的关键解决方案。然而,现有方法通常依赖静态方法,缺乏对动态数据环境的适应性,并且每次更改都需要完全重新计算。本研究对先前提出的增量对齐方法IDAGEmb进行了扩展评估,该方法利用动态图嵌入技术逐步优化对齐。与传统的静态方法不同,IDAGEmb能够实时适应变化,高效处理模式修改和演变的实例数据。我们的评估表明,该方法在管理异构数据、优化资源使用以及动态环境中保持对齐精度方面取得了显著改进。通过集成增量图嵌入,该方法为动态数据环境提供了解决方案,为组织提供一致且可操作的见解。这项工作基于我们先前的研究成果,为演化数据集的数据对齐提供了新视角,并强调了动态嵌入技术的有效性。
Keyword:
Heterogeneous data
Interoperability
Dynamic environment
Dynamic graph embedding
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
D
IF:
2.6
论文数:
53
被引数:
0
机构
引用论文
Review of heterogeneous graph embedding methods based on deep learning techniques and comparing their efficiency in node classification基于深度学习技术的异构图嵌入方法综述及其在节点分类中的效率比较
没有更多内容

