Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

An accelerated stochastic gradient for canonical polyadic decomposition

Siaminou Ioanna, Liavas Athanasios

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/4163C723-F3A5-4838-BEAF-2A8104F02EB3
Έτος 2021
Τύπος Δημοσίευση σε Συνέδριο
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά I. Siaminou and A. P. Liavas, "An accelerated stochastic gradient for canonical polyadic decomposition," in 2021 29th European Signal Processing Conference (EUSIPCO), Dublin, Ireland, 2021, pp. 1785-1789, doi: 10.23919/EUSIPCO54536.2021.9616029. https://doi.org/10.23919/EUSIPCO54536.2021.9616029
Εμφανίζεται στις Συλλογές

Περίληψη

We consider the problem of structured canonical polyadic decomposition. If the size of the problem is very big, then stochastic gradient approaches are viable alternatives to classical methods, such as Alternating Optimization and All-At-Once optimization. We extend a recent stochastic gradient approach by employing an acceleration step (Nesterov momentum) in each iteration. We compare our approach with state-of-the-art alternatives, using both synthetic and real-world data, and find it to be very competitive.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά