به گزارش روابط عمومی پژوهشگاه ارتباطات و فناوری اطلاعات (مرکز تحقیقات مخابرات ایران) در این کارگاه بیان شد که با گسترش استفاده از اینترنت و پیدایش تکنولوژی‌‌های جدید موجب ایجاد حجم وسیعی از داده‌ها شده است. ظهور داده‌‌های حجیم، روش‌‌های سنتی تحلیل و ذخیره داده را ناکارآمد نموده است. از این رو برای انجام هرگونه تحلیلی بر روی این داده‌‌های حجیم و پیچیده، نیازمند انتخاب الگوریتم‌‌های کارآمدی هست.

بنا بر این گزارش در این کارگاه عنوان شد که در سال‌‌های اخیر تحقیقات گسترده ای در زمینه ایجاد تکنیک‌‌های جدید برای کار بر روی داده‌‌های حجیم صورت گرفته است که موجب پیدایش زیرساخت‌ها و الگوریتم‌‌های مختلفی در این حوزه گشته است. با توجه به وجود روش‌ها و الگوریتم‌‌های مختلف برای کار با داده‌‌های حجیم، انتخاب الگوریتم مناسب برای کار با این داده‌ها نیازمند شناخت دقیق مشخصات و ویژگی‌‌های آن‌ها است.

همچنین بیان شد که یکی از مشخصات و ویژگی‌‌های موجود در برخی از داده‌‌های حجیم همسان (Smooth) بودن مقادیر در داده‌‌های مختلف است. منظور از همسان بودن مقادیر این است که مولفه‌‌های همسایه مقادیر مشابه هم داشته باشند و بتوان آن‌ها را در دسته‌‌های یکسانی قرار داد. برای بکارگیری این ویژگی داده (سیگنال)، می توان داده را بر روی گراف نگاشت کرد بطوری که هر مولفه داده به یک گره از گراف نگاشت شود. ویژگی همسانی در کاربرد‌های مختلفی از جمله شبکه‌‌های اجتماعی، شبکه‌‌های حسگر، الگوریتم‌‌های ژنتیک و... وجود دارد. برای مثال در حوزه شبکه‌‌های اجتماعی، ما انتظار داریم که داده‌‌های مربوط به مشخصات افرادی که با هم دوست هستند (نظیر گروه سنی، علایق و ...) تفاوت چندانی با هم نداشته باشند. بنابراین الگوریتم‌‌های مورد استفاده برای کار با داده‌‌های ایجاد شده در این کاربردها، باید ویژگی همسانی را در روش خود دخیل کرده باشند.

یکی از نیازمندی‌ها در حوزه کار با داده‌‌های حجیم، ذخیره سازی تعداد بسیار کم نمونه‌هایی از این داده‌ها و سپس امکان بازسازی داده اولیه با دقت بالا از روی این نمونه‌‌های نویزی است. در این جلسه مسئله بازسازی گراف سیگنال با بهره گیری از اطلاعات نویزی مورد بررسی قرار  گرفت . تکنیک compressive sensing  به دلیل بازسازی نسبتاً دقیق داده (سیگنال) با استفاده از یافتن راهکاری برای سیستم‌‌های خطی نامعین از جمله روش‌‌های کارآمد در این حوزه می‌باشد. در روش‌‌های مبتنی بر compressive sensing ، داده اولیه با بکارگیری دانش پیش فرض درمورد ساختار داده (مانند خلوت یا همسان بودن سیگنال) بازسازی می شود.

در این ارائه نشان داده شد که با استفاده از تکنیک‌‌های بهینه سازی و بهره مندی از مدل داده می توان با تعداد بسیار کم نمونه‌ها (خیلی کمتر از نمونه‌‌های مورد نیاز در روش نایکویست) داده اولیه را بازسازی نمود. در انتها برخی از روش‌‌های موجود در حوزه compressive sensing  بیان شد و کارایی این روش‌ها بر روی داده‌‌های واقعی نشان داده شد.َ