诺加·艾伦

ACM Paris Kanellakis理论与实践奖

以色列-2019年

引用

流算法及其在大规模数据分析中的应用的基础工作

Noga Alon、Phillip Gibbons、Yossi Matias和Mario Szegedy开创了用于分析流数据集的算法技术框架。在处理大量数据的同时，只保留小的随机“概要”或“草图”，这需要有限的内存并提供近似的答案。在一项开创性的研究工作中，他们引入了一些关键问题的技术，包括频率矩的估计。

由于其简单性和优雅性，他们的工作在流算法领域的发展中发挥了重要作用，流算法是数据管理研究中最丰富和最受重视的领域之一。他们的框架广泛应用于数据分析任务，应用领域包括数据库、网络监控、互联网产品使用分析、自然语言处理和机器学习。

新闻稿

2019年ACM巴黎卡内拉基斯理论与实践奖

ACM已命名诺加·艾伦普林斯顿大学和特拉维夫大学；菲利普·吉本斯卡内基·梅隆大学；马提亚斯谷歌和特拉维夫大学；和马里奥·塞格迪罗格斯大学获得ACM Paris Kanellakis理论与实践奖对于流算法基础及其在大规模数据分析中的应用的开创性工作。

Alon、Gibbons、Matias和Szegedy开创了流式海量数据集算法处理框架。如今，他们的素描和流式算法仍然是流式处理大数据的核心方法，并且构成了算法领域的整个子领域。此外，他们引入的草图和概要概念现在经常用于数据库、网络监控、互联网产品使用分析、自然语言处理和机器学习中的各种数据分析任务。

在他们的开创性论文中，”频率矩近似的空间复杂性，“Alon、Matias和Szegedy为使用有限内存分析数据流奠定了基础。后续文件，包括“跟踪有限存储中的联接和自联接大小《阿龙、吉本斯、马蒂亚斯和塞格迪》改进近似查询答案的新抽样汇总统计由Gibbons和Matias所著，扩展了数据概要的概念，并在流媒体和草图算法这一新兴领域的发展中发挥了重要作用。这项工作已应用于数据库中的查询规划和处理，以及设计小型概要来监控网络中生成的大量数据。