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. Κολομβάκη Χρήστου - Σχολή ΗΜΜΥ

  • Συντάχθηκε 24-11-2021 11:49 Πληροφορίες σύνταξης

    Ενημερώθηκε: 24-11-2021 11:57

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 26/11/2021 14:00
    Λήξη: 26/11/2021 15:00

     

    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

     

     

     


© Πολυτεχνείο Κρήτης 2012