Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Παράλληλοι αλγόριθμοι βελτιστοποίησης για παραγοντοποιήσεις πολύ μεγάλων τανυστών

Papagiannakos Ioannis-Marios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/0069F4A3-9C49-47B7-A69D-11B96FBD36EA-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.83411-
Γλώσσαen-
Μέγεθος57 pagesel
ΤίτλοςParallel optimization algorithms for very large tensor decompositionsen
ΤίτλοςΠαράλληλοι αλγόριθμοι βελτιστοποίησης για παραγοντοποιήσεις πολύ μεγάλων τανυστώνel
ΔημιουργόςPapagiannakos Ioannis-Mariosen
ΔημιουργόςΠαπαγιαννακος Ιωαννης-Μαριοςel
Συντελεστής [Επιβλέπων Καθηγητής]Liavas Athanasiosen
Συντελεστής [Επιβλέπων Καθηγητής]Λιαβας Αθανασιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Karystinos Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Καρυστινος Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Samoladas Vasilisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Σαμολαδας Βασιληςel
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
ΠερίληψηTensors are generalizations of matrices to higher dimensions and are very powerful tools that can model a wide variety of multi-way data dependencies. As a result, tensor decompositions can extract useful information out of multi-aspect data tensors and have witnessed increasing popularity in various fields, such as data mining, social network analysis, biomedical applications, machine learning etc. Many decompositions have been proposed, but in this thesis we focus on Tensor Rank Decomposition or Canonical Polyadic Decomposition (CPD) using Alternating Least Squares (ALS). The main goal of the CPD is to decompose tensors into a sum of rank-1 terms, a procedure more difficult than its matrix counterpart, especially for large-scale tensors. CP decomposition via ALS consists of computationally expensive operations which cause performance bottlenecks. In order to accelerate this method and overcome these obstacles, we developed two parallel versions of the ALS that implement the CPD. The first one uses the full tensor and runs in parallel on heterogeneous & shared memory systems (CPUs and GPUs). The second one decomposes the tensor in parallel using small random block samples and runs on homogeneous & shared memory systems (CPUs).en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2019-10-04-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαCanonical polyadic decompositionen
Θεματική ΚατηγορίαAlternating least squaresen
Θεματική Κατηγορίαshared memory systemsen
Θεματική ΚατηγορίαOpenMPen
Θεματική ΚατηγορίαCUDAen
Θεματική ΚατηγορίαTensoren
Θεματική ΚατηγορίαRandomized block samplingen
Θεματική ΚατηγορίαPARAFACen
Θεματική ΚατηγορίαParallel computingen
Βιβλιογραφική ΑναφοράIoannis-Marios Papagiannakos, "Parallel optimization algorithms for very large tensor decompositions", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en
Βιβλιογραφική ΑναφοράΙωάννης-Μάριος Παπαγιαννάκος, "Παράλληλοι αλγόριθμοι βελτιστοποίησης για παραγοντοποιήσεις πολύ μεγάλων τανυστών", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά