Έμβλημα Πολυτεχνείου Κρήτης με τίτλο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Η Σχολή ΗΜΜΥ στο Facebook  Η Σχολή ΗΜΜΥ στο Youtube

Κατάλογος Εκδηλώσεων

Προβολή ημερολογίου Προβολή ημερολογίου
Προβολή λίστας Προβολή λίστας
iCal - Εκδηλώσεις μήνα iCal - Εκδηλώσεις μήνα
iCal - Εκδηλώσεις 6 μηνών iCal - Εκδηλώσεις 6 μηνών
RSS - Εκδηλώσεις μήνα RSS - Εκδηλώσεις μήνα
RSS - Εκδηλώσεις 6 μηνών RSS - Εκδηλώσεις 6 μηνών

26
Νοε

Παρουσίαση Μεταπτυχιακής Εργασίας κ. Κολομβάκη Χρήστου - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Μεταπτυχιακής Εργασίας  
Τοποθεσία
Ώρα26/11/2021 14:00 - 15:00

Περιγραφή:

Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Πρόγραμμα Μεταπτυχιακών Σπουδών

Παρουσίαση Μεταπτυχιακής Εργασίας κ. Κολομβάκη Χρήστου

με θέμα

Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών 

Efficient optimization αlgorithms for large tensor processing

 

Εξεταστική Επιτροπή

Καθηγητής Αθανάσιος Λιάβας (επιβλέπων)
Καθηγητής Γεώργιος Καρυστινός
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

 Περίληψη

Σε αυτήν την εργασία, μελετάμε το προβλημα του tensor completion. Μελετάμε δυο περιπτώσεις: Η πρώτη περίπτωση είναι το Nonnegative Tensor Completion. Προτείνουμε μια βελτίωση σε έναν υπάρχων αλγόριθμο, τον δοκιμάζουμε σε συνθετικά και πραγματικά δεδομένα, και μετράμε τον χρόνο εκτέλεσης και τα speedups.

Η δεύτερη περίπτωση το tensor completion με smoothness constraints. Παρουσιάζουμε το πρόβλημα και προτείνουμε έναν κατανεμημένο αλγόριθμο για τη λύση του. Χρησιμοποιούμε επίσης έναν αλγόριθμο που λαμβάνει υπόψιν την κατανομή των μη μηδενικών στοιχείων όταν αντιστοιχεί τους υποτείνουσες (άρα και τους αντίστοιχους factors) σε κάθε επεξεργαστή. Δοκιμάζουμε σε πραγματικά δεδομένα και υπολογίζουμε τον χρόνο εκτέλεσης και τα speedups του αλγορίθμου μας.

Abstract

In this thesis, we consider the problem of tensor completion. We investigate two cases: The first part considers Nonnegative Tensor Completion. We propose an improvement over an existing distributed algorithm for the solution of this problem, test it on synthetic and real datasets, and measure the execution time and speedups.

The second problem is tensor completion with smoothing constraints. We present the problem statement, and we propose a distributed algorithm for its solution. We also use an algorithm which takes into account the distribution of the non--zero elements when it assigns subtensors (and, as a result, the corresponding subfactors) to each processor. We test on real world datasets and measure the speedups of our algorithm.

 

Meeting ID: 914 3091 0074 Password: 313153

Προσθήκη στο ημερολόγιό μου
© Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών 2014
Πολυτεχνείο Κρήτης