Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών

Kolomvakis Christos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/C541BCFB-D331-44E8-BAF8-A1BE4A422678-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.90952-
Γλώσσαen-
Μέγεθος60 pagesen
Μέγεθος589.6 kilobytesen
ΤίτλοςEfficient optimization algorithms for large tensor processingen
ΤίτλοςΑποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών el
ΔημιουργόςKolomvakis Christosen
ΔημιουργόςΚολομβακης Χρηστοςel
Συντελεστής [Επιβλέπων Καθηγητής]Liavas Athanasiosen
Συντελεστής [Επιβλέπων Καθηγητής]Λιαβας Αθανασιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Samoladas Vasilisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Σαμολαδας Βασιληςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Karystinos Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Καρυστινος Γεωργιοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηIn this thesis, we consider the problem of tensor completion. We investigate two cases: In the first part, we consider Nonnegative Tensor Completion. We propose an improvement over an existing distributed algorithm for the solution of this problem, test it on synthetic and real datasets, and measure the execution time and speedups. In the second part, we consider unconstrained tensor completion with smoothing constraints. We present the problem statement and we propose a distributed algorithm for its solution. We develop an algorithm which takes into account the distribution of the nonzero elements during the assignment of subtensors (and, as a result, of the corresponding subfactors) to each processor. We test our adaptive partitioning algorithm on real world datasets and measure the attained speedup. en
ΠερίληψηΣε αυτήν την εργασία, μελετάμε το πρόβλημα του tensor completion. Μελετάμε δυο περιπτώσεις: Η πρώτη περίπτωση είναι το Nonnegative Tensor Completion. Προτείνουμε μια βελτίωση σε έναν υπάρχων αλγόριθμο, τον δοκιμάζουμε σε συνθετικά και πραγματικά δεδομένα, και μετράμε τον χρόνο εκτέλεσης και τα speedups. Η δεύτερη περίπτωση το tensor completion με smoothness constraints. Παρουσιάζουμε το πρόβλημα και προτείνουμε έναν κατανεμημένο αλγόριθμο για τη λύση του. Χρησιμοποιούμε επίσης έναν αλγόριθμο που λαμβάνει υπόψιν την κατανομή των μη μηδενικών στοιχείων όταν αντιστοιχεί τους υποτείνουσες (άρα και τους αντίστοιχους factors) σε κάθε επεξεργαστή. Δοκιμάζουμε σε πραγματικά δεδομένα και υπολογίζουμε τον χρόνο εκτέλεσης και τα speedups του αλγορίθμου μας.el
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2021-12-02-
Ημερομηνία Δημοσίευσης2021-
Θεματική ΚατηγορίαOptimizationen
Θεματική ΚατηγορίαDistributed algorithmsen
Θεματική ΚατηγορίαUnconstrained tensor completion with smoothing constraintsen
Θεματική ΚατηγορίαNonnegative tensor completionen
Θεματική ΚατηγορίαTensor completionen
Θεματική ΚατηγορίαTensor decompositionen
Βιβλιογραφική ΑναφοράChristos Kolomvakis, "Efficient optimization algorithms for large tensor processing", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2021en
Βιβλιογραφική ΑναφοράΧρήστος Κολομβάκης, "Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών ", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά