大数据中的模式和异常现象可以帮助企业锁定潜在客户，揭示欺诈行为甚至预测药物相互作用。不幸的是，这些模式通常不容易观察到。为了从大量数据中提取有用的信息，数据科学家需要越来越强大的机器学习方法。

德克萨斯大学达拉斯分校的电气和计算机工程系Erik Jonsson杰出教授Aria Nosratinia博士获得了科学基金会的两项赠款，总额为749,492美元，用于通过机器学习发现隐藏在大数据中的关系，并开发保持方法数据通讯安全。

Erik Jonsson工程与计算机科学学院电气与计算机工程副系主任Nosratinia表示：“我实验室的贡献是扩大了工具和技术的范围，以便我们可以发现数据中的新连接。”

许多机器学习和数据挖掘算法都使用图形，这些图形只是人，组或对象之间的连接的列表。示例包括社交网络中的“朋友”，“喜欢”或“关注”关系，或在流媒体订阅服务中流式传输或标记为“收藏夹”的视频列表。

这些大量的数据隐藏了有用的信息，这些信息的提取属于一个称为图推断的区域。图推理具有许多有趣且有用的应用程序，例如，基于观看历史记录在流服务中建议电影或在在线购物中购买建议。它还可以揭示流行病传播的模式，或提供有关蛋白质折叠的见解，这对于理解蛋白质的功能非常重要。

Nosratinia的工作首次提出并分析了通过吸收非图形信息来改善图形推理的技术，这些图形信息与图形信息的有效融合以前并未被很好地理解。非图形信息的示例包括个人年龄和居住地邮政编码。

Nosratinia说：“在几乎所有涉及图形的实际应用中，都存在非相关的非图形数据。” “我们所做的工作是在上游，开发数学模型，理论和技术，但它具有广泛的应用。”

Nosratinia在几本已发表的著作中描述了他和他的实验室成员开发的数学模型，这些数学模型可以借助辅助信息来改进对隐藏在图中的信息的估计。Nosratinia和合著者Hussein Saad博士。“ 19，现为高通公司(Qualcomm Inc.)的高级工程师，最近分析了如何识别隐藏在大图中的小型集群或社区。他们的最新工作发表在2020年12月的IEEE信息理论期刊。

Nosratinia研究的第二部分涉及数据安全性。他的工作利用了无线信道的自然变化，为数据传输提供了安全层。该工作领域称为物理层安全性，旨在利用通信通道的缺陷作为安全性工具。这项研究的一部分旨在开发使网络分子无法检测到电子通信的技术。

Nosratinia说：“举一个简单的例子，密码的工作原理是利用合法用户和想要窃取信息的网络罪犯之间的区别。” “我们的工作以不涉及密码或密钥的方式创建，放大和分析了针对对手的信息统计不对称性，并将其用于保护通信。”