Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογές

Papagiannakos Ioannis-Marios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/9DFBC286-9CF2-4781-8681-A678A6998E37-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.91443-
Γλώσσαen-
Μέγεθος71 pagesen
Μέγεθος6.7 megabytesen
ΤίτλοςEfficient optimization algorithms for large tensor processing and applicationsen
ΤίτλοςΑποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογέςel
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
ΠερίληψηWe consider the problem of nonnegative tensor completion. We adopt the alternating optimization framework and solve each nonnegative matrix least-squares with missing elements problem via a stochastic variation of the accelerated gradient algorithm, where we propose and experimentally test the efficiency of various step-sizes. We develop a parallel shared-memory implementation of our algorithm using the multi-threaded API OpenMP, which attains significant speedup. We test the effectiveness and the performance of our algorithm using both real-world and synthetic data. We focus on real-world applications that can be interpreted as nonnegative tensor completion problems. We believe that our approach is a very competitive candidate for the solution of very large nonnegative tensor completion problems.en
ΠερίληψηΜελετάμε το πρόβλημα του nonnegative tensor completion. Υιοθετούμε τη μέθοδο alternating optimization και λύνουμε κάθε nonnegative matrix least-squares with missing elements πρόβλημα μέσω στοχαστικής παραλλαγής του accelerated gradient αλγορίθμου, προτείνοντας διάφορα βήματα τα οποία και δοκιμάζουμε πειραματικά. Αναπτύσσουμε μια παράλληλη shared-memory υλοποίηση του αλγορίθμου μας, κάνοντας χρήση του OpenMP API για πολυνηματικό παραλληλισμό, η οποία επιτυγχάνει αρκετά σημαντικό speedup. Ελέγχουμε τον αλγόριθμο μας ως προς την αποτελεσματικότητα και την απόδοση του, χρησιμοποιώντας συνθετικά και πραγματικά δεδομένα. Επικεντρωνόμαστε σε εφαρμογές που μπορούν να αναπαρασταθούν ως προβλήματα nonnegative tensor completion. Θεωρούμε ότι η μέθοδος μας αποτελεί μια αρκετά ανταγωνιστική εναλλακτική για τη λύση μεγάλων nonnegative tensor completion προβλημάτων.el
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2022-02-09-
Ημερομηνία Δημοσίευσης2022-
Θεματική ΚατηγορίαStochastic NTCen
Θεματική ΚατηγορίαCPDen
Θεματική ΚατηγορίαPARAFACen
Θεματική ΚατηγορίαOpenMPen
Θεματική ΚατηγορίαWord embeddingen
Θεματική ΚατηγορίαAccelerated stochastic gradient for NMLSMEen
Θεματική ΚατηγορίαNonnegative Tensor Completionen
Θεματική ΚατηγορίαStochastic gradient descenten
Θεματική ΚατηγορίαNonnegative Matrix Least Squares with Missing Elementsen
Βιβλιογραφική ΑναφοράIoannis-Marios Papagiannakos, "Efficient optimization algorithms for large tensor processing and applications", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2022en
Βιβλιογραφική ΑναφοράΙωάννης-Μάριος Παπαγιαννάκος, "Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογές", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά