Το έργο με τίτλο Τεχνικές βελτιστοποίησης μεγάλης κλίμακας με εφαρμογές σε tensors από τον/τους δημιουργό/ούς Lourakis Georgios διατίθεται με την άδεια Creative Commons Αναφορά Δημιουργού 4.0 Διεθνές
Βιβλιογραφική Αναφορά
Γεώργιος Λουράκης, "Τεχνικές βελτιστοποίησης μεγάλης κλίμακας με εφαρμογές σε tensors ", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017
https://doi.org/10.26233/heallink.tuc.70431
We consider the problems of nonnegative tensor factorization and completion. Our aim is to derive efficient algorithms that are also suitable for parallel implementation. We adopt the alternating optimization framework and solve each matrix nonnegative least-squares problem via a Nesterov-type algorithm for convex and strongly convex problems. We describe parallel implementations of the algorithms and measure the attained speedup in a multi-core computing environment. It turns out that the derived algorithms are competitive candidates for the solution of very large-scale nonnegative tensor factorization and completion.