Efficient optimization algorithms for large tensor processing and applications

Papagiannakos Ioannis-Marios

URI	http://purl.tuc.gr/dl/dias/9DFBC286-9CF2-4781-8681-A678A6998E37	-
Identifier	https://doi.org/10.26233/heallink.tuc.91443	-
Language	en	-
Extent	71 pages	en
Extent	6.7 megabytes	en
Title	Efficient optimization algorithms for large tensor processing and applications	en
Title	Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογές	el
Creator	Papagiannakos Ioannis-Marios	en
Creator	Παπαγιαννακος Ιωαννης-Μαριος	el
Contributor [Thesis Supervisor]	Liavas Athanasios	en
Contributor [Thesis Supervisor]	Λιαβας Αθανασιος	el
Contributor [Committee Member]	Karystinos Georgios	en
Contributor [Committee Member]	Καρυστινος Γεωργιος	el
Contributor [Committee Member]	Samoladas Vasilis	en
Contributor [Committee Member]	Σαμολαδας Βασιλης	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Electrical and Computer Engineering	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Content Summary	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.	en
Content Summary	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.	el
Type of Item	Μεταπτυχιακή Διατριβή	el
Type of Item	Master Thesis	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2022-02-09	-
Date of Publication	2022	-
Subject	Stochastic NTC	en
Subject	CPD	en
Subject	PARAFAC	en
Subject	OpenMP	en
Subject	Word embedding	en
Subject	Accelerated stochastic gradient for NMLSME	en
Subject	Nonnegative Tensor Completion	en
Subject	Stochastic gradient descent	en
Subject	Nonnegative Matrix Least Squares with Missing Elements	en
Bibliographic Citation	Ioannis-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, 2022	en
Bibliographic Citation	Ιωάννης-Μάριος Παπαγιαννάκος, "Αποδοτικοί αλγόριθμοι βελτιστοποίησης για επεξεργασία μεγάλων τανυστών και εφαρμογές", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022	el

Search

Browse

My Space

Efficient optimization algorithms for large tensor processing and applications

Papagiannakos Ioannis-Marios

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: