Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Μεταπτυχιακής Εργασίας κ. Παπαγιαννάκος Ιωάννης Μάριος - Σχολή ΗΜΜΥ

  • Συντάχθηκε 04-02-2022 11:36 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 08/02/2022 10:00
    Λήξη: 08/02/2022 11:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Μεταπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

    ΠΑΠΑΓΙΑΝΝΑΚΟΣ ΙΩΑΝΝΗΣ ΜΑΡΙΟΣ

    Θέμα
    Αποδοτικοί Αλγόριθμοι Βελτιστοποίησης για Επεξεργασία Μεγάλων Τανυστών και Εφαρμογές
    Efficient Optimization Algorithms for Large Tensor Processing and Applications

    Εξεταστική Επιτροπή
    Καθηγητής Αθανάσιος Λιάβας (Επιβλέπων)
    Καθηγητής Γεώργιος Καρυστινός
    Αν. Καθηγητής Βασίλειος Σαμολαδάς

    Περίληψη
    Μελετάμε 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.

    Abstract
    We 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.


    Meeting ID: 966 7654 9969
    Password:  635159

     



© Πολυτεχνείο Κρήτης 2012