Το έργο με τίτλο Ανάλυση πολυδιάστατων δεδομένων: αλγόριθμοι μη αρνητικής παραγοντοποίησης τανιστών και παράλληλες υλοποιήσεις από τον/τους δημιουργό/ούς Kostoulas Georgios διατίθεται με την άδεια Creative Commons Αναφορά Δημιουργού 4.0 Διεθνές
Βιβλιογραφική Αναφορά
Γεώργιος Κωστούλας, "Ανάλυση πολυδιάστατων δεδομένων: αλγόριθμοι μη αρνητικής παραγοντοποίησης τανιστών και παράλληλες υλοποιήσεις ", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2016
https://doi.org/10.26233/heallink.tuc.66238
We consider the problem of nonnegative tensor factorization. Our aim is to derive an efficient algorithm that is also suitable for parallel implementation. We adopt the alternating optimization (AO) framework and solve each matrix nonnegative least-squares problem via a Nesterov-type algorithm for strongly convex problems. We describe two parallel implementations of the algorithm, with and without data replication. We test the efficiency of the algorithm in extensive numerical experiments and measure the attained speedup in a parallel computing environment. It turns out that the derived algorithm is a competitive candidate for the solution of very large-scale dense nonnegative tensor factorization problems.