Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/0069F4A3-9C49-47B7-A69D-11B96FBD36EA | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.83411 | - |
| Γλώσσα | en | - |
| Μέγεθος | 57 pages | el |
| Τίτλος | Parallel optimization algorithms for very large tensor decompositions | en |
| Τίτλος | Παράλληλοι αλγόριθμοι βελτιστοποίησης για παραγοντοποιήσεις πολύ μεγάλων τανυστών | el |
| Δημιουργός | Papagiannakos Ioannis-Marios | en |
| Δημιουργός | Παπαγιαννακος Ιωαννης-Μαριος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Liavas Athanasios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Λιαβας Αθανασιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Karystinos Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Καρυστινος Γεωργιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Samoladas Vasilis | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Σαμολαδας Βασιλης | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Tensors 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 |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2019-10-04 | - |
| Ημερομηνία Δημοσίευσης | 2019 | - |
| Θεματική Κατηγορία | Canonical polyadic decomposition | en |
| Θεματική Κατηγορία | Alternating least squares | en |
| Θεματική Κατηγορία | shared memory systems | en |
| Θεματική Κατηγορία | OpenMP | en |
| Θεματική Κατηγορία | CUDA | en |
| Θεματική Κατηγορία | Tensor | en |
| Θεματική Κατηγορία | Randomized block sampling | en |
| Θεματική Κατηγορία | PARAFAC | en |
| Θεματική Κατηγορία | Parallel computing | en |
| Βιβλιογραφική Αναφορά | Ioannis-Marios Papagiannakos, "Parallel optimization algorithms for very large tensor decompositions", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019 | en |
| Βιβλιογραφική Αναφορά | Ιωάννης-Μάριος Παπαγιαννάκος, "Παράλληλοι αλγόριθμοι βελτιστοποίησης για παραγοντοποιήσεις πολύ μεγάλων τανυστών", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019 | el |
Copyright © DIAS 2013
