In the era of "data overload", many areas of society have begun to benefit from exploratory knowledge-mining techniques that are unsupervised, automated and scalable. The extraction processes are, however, often made difficult by a number of complexities: heterogeneous data types, missing information, clutter, prohibitive dimension-count and high bandwidths. In this thesis we focus on exploratory data-mining problems which exhibit these complexities. We present novel, linear-time methods to solve the problems, and empirically evaluate each against the state-of-the-art with respect to synthetically-generated data, real-world data and run-time behavior.     «

In the era of "data overload", many areas of society have begun to benefit from exploratory knowledge-mining techniques that are unsupervised, automated and scalable. The extraction processes are, however, often made difficult by a number of complexities: heterogeneous data types, missing information, clutter, prohibitive dimension-count and high bandwidths. In this thesis we focus on exploratory data-mining problems which exhibit these complexities. We present novel, linear-time methods to solv...     »

Im Zeitalter der "Datenflut" profitieren immer mehr Bereiche der Gesellschaft von unübewachten, automatisierten und skalierbaren Techniken zur Wissensgewinnung. Häufig bereitet dabei jedoch eine Reihe von komplexen Datenstrukturen Schwierigkeiten: heterogene Daten-Typen, fehlende Informationen, Stördaten, prohibitive Dimensionalitäten und hohe Bandbreiten. In dieser Dissertation legen wir den Fokus auf explorative Data-Mining-Probleme, die ebenjene Schwierigkeiten aufweisen. Wir stellen neuartige Lösungsmethoden mit linearem Laufzeitzuwachs vor und vergleichen diese in Bezug auf künstlich generierte Daten, reale Daten sowie Laufzeit-Verhalten empirisch mit dem State-of-the-art.     «

Im Zeitalter der "Datenflut" profitieren immer mehr Bereiche der Gesellschaft von unübewachten, automatisierten und skalierbaren Techniken zur Wissensgewinnung. Häufig bereitet dabei jedoch eine Reihe von komplexen Datenstrukturen Schwierigkeiten: heterogene Daten-Typen, fehlende Informationen, Stördaten, prohibitive Dimensionalitäten und hohe Bandbreiten. In dieser Dissertation legen wir den Fokus auf explorative Data-Mining-Probleme, die ebenjene Schwierigkeiten aufweisen. Wir stellen neuartig...     »