处理、采矿和学习复杂的数据指的是一种先进的数据挖掘和知识发现研究区有关的开发和分析方法发现模式和学习模式与一个复杂的数据结构(例如,multirelational数据、XML数据、文本数据、图像数据、时间序列,序列图、流媒体数据,和树)。这些类型的数据是常见的在许多社会、经济、科学和工程应用。复杂的数据给目前的研究提出了新的挑战在数据挖掘和知识发现他们需要新方法处理,挖掘和学习。

加工、采矿、和学习目的,传统的数据分析方法往往需要数据被表示成向量。然而,许多数据对象在实际应用程序中,如化合物在生物制药,大脑区域在大脑健康数据,用户在业务网络,并且在医疗数据时间序列信息,包含丰富的结构信息(例如,数据和时间结构之间的关系)。这样一个简单的特征向量表示本身失去了物体的结构信息。在现实中,对象可能有复杂的特点,根据评估的对象和特征。与此同时,数据可能来自异构域,如传统tabular-based数据、序列模式,图表,时间序列信息,和一种数据。新的数据分析方法所需的发现有意义的知识在先进的应用程序从数据对象复杂的特点。

在这个特殊的问题,我们正在寻求征求贡献处理的基础研究,挖掘和学习复杂的数据,重点分析复杂的数据源,如博客、事件或日志数据,医疗数据,时态数据、文本数据、信息网络、移动数据,传感器数据和流。提交讨论和引入新算法基础和代表性模式挖掘的形式也欢迎。处理、采矿和学习复杂的数据被认为是一个多学科高度交叉的研究热点领域,旨在促进和发展可持续的数据挖掘和信息之间的协作,社会学、生物学、健康、社会科学和业务。因此,我们也寻求业务、健康、和其他工业应用的复杂的数据分析,帮助解决实际问题。

潜在的主题包括但不限于以下:

• 矿业半结构式和非结构化数据
• 图/网络分析
• 流媒体数据处理
• 工作流和流程挖掘
• 序列模式挖掘
• 时间序列学习
• 动态和发展的数据分析
• 异构转移学习
• 环境和科学数据挖掘
• Web /文本/图像数据挖掘
• 自然语言处理
• 医疗数据分析
• 医学数据分析
• 欺诈模式分析
• 移动通信服务
• 隐私保护矿业
• 信息安全数据挖掘
• 为社交媒体数据分析