Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Efficient optimization algorithms for large tensor processing and applications

Papagiannakos Ioannis-Marios

Simple record


URIhttp://purl.tuc.gr/dl/dias/9DFBC286-9CF2-4781-8681-A678A6998E37-
Identifierhttps://doi.org/10.26233/heallink.tuc.91443-
Languageen-
Extent71 pagesen
Extent6.7 megabytesen
TitleEfficient optimization algorithms for large tensor processing and applicationsen
TitleΑποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογέςel
CreatorPapagiannakos Ioannis-Mariosen
CreatorΠαπαγιαννακος Ιωαννης-Μαριοςel
Contributor [Thesis Supervisor]Liavas Athanasiosen
Contributor [Thesis Supervisor]Λιαβας Αθανασιοςel
Contributor [Committee Member]Karystinos Georgiosen
Contributor [Committee Member]Καρυστινος Γεωργιοςel
Contributor [Committee Member]Samoladas Vasilisen
Contributor [Committee Member]Σαμολαδας Βασιληςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryWe 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
Content SummaryΜελετάμε 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
Type of ItemΜεταπτυχιακή Διατριβήel
Type of ItemMaster Thesisen
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2022-02-09-
Date of Publication2022-
SubjectStochastic NTCen
SubjectCPDen
SubjectPARAFACen
SubjectOpenMPen
SubjectWord embeddingen
SubjectAccelerated stochastic gradient for NMLSMEen
SubjectNonnegative Tensor Completionen
SubjectStochastic gradient descenten
SubjectNonnegative Matrix Least Squares with Missing Elementsen
Bibliographic CitationIoannis-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
Bibliographic CitationΙωάννης-Μάριος Παπαγιαννάκος, "Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογές", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Available Files

Services

Statistics