נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
ניתוח וכריית מוטיבים
MOMA - Motif Mining and Analysis
תקציר בעיברית
מערכת תומכת מחקר הנועדה לעזור לחוקרי רשתות וחקר מוטיבים . המערכת בנויה כ - SDK בשפת פייתון המכילה מנוע התומך בספריות graph-tool ו- Networkx . הדגשים החשובים ביותר בבניית המערכת הם בניה בצורה מודולרית על מנת לאפשר תמ יכה במנועים חדשים בצורה קלה ואינטואיטיבית ובנוסף, מקבול של פעולות חישוביות על מנת להקטין את זמני הרי צה של האלגוריתמים השונים . אלגוריתם לחיפוש מוטיבים לרוב בנוי מ- 4 קומפוננטו ת קבועות : Randomization algorithm Enumeration algorithm, Isomorphism algorithm ו- Significance method . כיום, על מנת להשתמש באלגוריתמים שכאלו, חוקרים מחפשים מימושים מוכנים באינטרנט או מ ממשים אלגוריתמים למציאת מוטיבים בכוחות עצמם, הבעיה התמונה בדרך זו היא שבמימושים קיימים , ארבעת הקומפוננטות הן קבועות ולא ניתנות לשינוי , מה שמקביל חוקרים מ- domains שונים להשתמש בשיטות המתאימות להם במ ציאת המוטיבים מטרתה ש ל MOMA היא לבטל מגבלה זו בכך שהיא מציעה גישה מודולרית לאלגוריתמים לחיפוש מוטיבים . MOMA מאפשרת לחוקרים לשנות את כל אחת מהקומפוננטות וליצור פרמוטציה של אלגוריתם למציאת מוטיבים אשר מתאימה ל- domain של החוקר . המערכת באה להרים דגל ולהראות את החשיבות של מודולריות זו. על מנת להראות את החשיבות של אלגוריתמים מודולרים, בחרנו להתמקד בקומפוננטה של אלגוריתמי הרנדומיזציה, ושאלת המחקר שלנו היא: אלגוריתמי רנדומיזציה שונים יגרמו להתפלגות שונה בגרפים הרנדומליים, מה שישפיע על ספירת המוטיבים המובהקים בגרף המקורי . מטרתנו היא להצדיק את MOMA ולהראות שישנה הצדקה בליצור אלגוריתמים מותאמים. בכך שנאפשר לחוקרים את האפשרות ליצור אלגוריתמים Tailor made ל- domain הספציפי שלהם, ובעזרת ההשפעה של הקומפוננטות השונות, MOMA מכוונת להגדיל את ההבנה ש ל complex networks . מטרתנו היא לעשות זאת באמ צעות SDK נוח לשימוש המתממשק לספריות גרפיות מוכרות ובכך להפוך את המערכת לנגישה לכל חוקר רשתות מכל domain . MOMA מעניקה לחוקרים להעמיק בכרייה וניתוח מוטיבים, ובסופו של דבר לקדם את תחום חקר הרשתות.
תקציר באנגלית
MOMA - Motif Mining and Analysis is a research supporting system designed to assist researchers in the field of networks and motif analysis. The system is built as a Python SDK, incorporating an engine that supports both the graph-tool library and Networkx library. Motif search algorithms typically consist of four distinct components: randomization algorithm, enumeration algorithm, isomorphism algorithm, and a significant method. Currently, researchers seeking to use motif search algorithms must either search for existing implementations online or develop their own. However, this poses a challenge as all the components of an algorithm are fixed and cannot be easily modified. MOMA addresses this limitation by offering a modular approach to motif search algorithms. Each component can be customized by selecting different algorithms, enabling researchers to build their own personalized motif search algorithms. The system emphasizes the importance of modularity and its potential impact on research outcomes. To demonstrate the significance of modularity, MOMA focuses on the first component of motif search algorithms: the randomization algorithm. The research question posed is whether different randomization algorithms can alter the distribution of the randomized graphs and subsequently affect the enumeration of significant motifs within the original graph. Answering this question would highlight the importance of MOMA in enabling tailored motif research and network analysis. By providing researchers with the ability to create custom motif search algorithms and explore the impact of different components, MOMA aims to enhance the understanding and analysis of complex networks. The system's user-friendly SDK and integration with popular graph libraries make it accessible to researchers across various domains. MOMA empowers researchers to delve deeper into motif mining and analysis, ultimately advancing the field of network research.