Παρουσίαση μεταπτυχιακής εργασίας κ. Λουράκη Γεωργίου - Σχολή ΗΜΜΥ
Κατηγορία:
Παρουσίαση Μεταπτυχιακής Εργασίας
ΗΜΜΥ
![Τοποθεσία](/typo3conf/ext/tucevents2/Resources/Public/Images/map-with-placeholder.png)
Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,141Π-37, ΑΙΘΟΥΣΑ ΣΥΝΕΔΡΙΑΣΕΩΝ ΣΧΟΛΗΣ ΗΜΜΥ
![Ώρα](/typo3conf/ext/tucevents2/Resources/Public/Images/clock-circular-outline.png)
13/12/2017 12:30 - 13:30
Περιγραφή:
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
ΓΕΩΡΓΙΟΥ ΛΟΥΡΑΚΗ
με θέμα
Τεχνικές Βελτιστοποίησης Μεγάλης Κλίμακας με Εφαρμογές σε Tensors
Large Scale Optimization Methods and Applications in Tensor Optimization
Εξεταστική Επιτροπή
Καθηγητής Αθανάσιος Λιάβας (επιβλέπων)
Καθηγητής Βασίλειος Διγαλάκης
Αναπληρωτής Καθηγητής Γεώργιος Καρυστινός
Περίληψη
Θεωρούμε τα προβλήματα της μη αρνητικής παραγοντοποίησης και πλήρωσης τανυστών. Στόχος μας είναι η ανάπτυξη αποτελεσματικών αλγορίθμων, οι οποίοι θα είναι επίσης κατάλληλοι για παράλληλη υλοποίηση. Υιοθετούμε την προσέγγιση της εναλλακτικής βελτιστοποίησης και επιλύουμε κάθε μη αρνητικό πρόβλημα ελαχίστων τετραγώνων για πίνακες με έναν Nesterov αλγόριθμο για κυρτά και ισχυρά κυρτά προβλήματα. Περιγράφουμε τις παράλληλες υλοποιήσεις των αλγορίθμων και μετράμε την επιτευχθείσα επιτάχυνση εκτέλεσης σε περιβάλλον υπολογιστών πολλαπλών πυρήνων. Αποδεικνύεται ότι οι παραγόμενοι αλγόριθμοι είναι ανταγωνιστικοί υποψήφιοι για τη λύση προβλημάτων μη αρνητικής παραγοντοποίησης και πλήρωσης τανυστών πολύ μεγάλης κλίμακας.
Abstract
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.