目前,日益复杂的大数据的出现带来了更多的挑战,当前大数据分析技术。复杂性的根本区别是复杂的大数据和传统的大数据。它主要表现在四个方面:来源多样,类型复杂,结构复杂,内部模式的复杂性。目前,已经有很多研究进展源类型多样性和复杂性。然而,复杂性和内部结构模式分析的复杂性是困难复杂的大数据,其中内部模式复杂性是最广泛的。许多复杂的大数据集有复杂的内容(例如,一些图像数据集包含各种各样的场景或者各种各样的对象),要求处理方法有强劲的处理能力为各种复杂的对象。

许多复杂的大数据很大程度上受外部因素影响(例如,一个图像的内容变化很大程度上由于照明和阻塞的影响),这需要处理方法是健壮的复杂变化。一些复杂的大数据集大量数据或高功能维度,和一些应用程序需要实时处理和大量数据的计算效率有很高的要求。由于其多层非线性结构,深度学习模型学习能力有很强的功能,它提供了一个有效的方法来解决上述问题。然而,与传统大数据的学习方法不同,我们仍然需要综合运用各种知识和手段(包括文本挖掘、图像处理、复杂网络、知识转移,图神经网络,等等)来研究内部模式的复杂性在复杂的大数据。

因此,这个特殊的问题旨在整理原始研究和评论文章强调深度学习的重要作用,对于复杂的大数据分析,尤其是对内部的分析模式的复杂性。它旨在呼吁最先进的研究在理论、算法、建模、系统和应用深度上优于复杂的大数据分析和演示相关研究人员的最新努力。

潜在的主题包括但不限于以下:

• 深度学习的方法分析复杂的大数据与内部模式的复杂性
• 深度学习复杂的多源时序数据的分析方法
• 深度学习的方法从复杂的图像和视频数据中提取语义信息与内部模式的复杂性
• 深度学习方法分析多源、多维复杂的大数据
• 图神经网络方法对复杂网络数据分析(复杂的社会网络分析、复杂电力网络分析、图形相关分析,等等)。
• 模型加速度深度学习复杂的大数据