Κατανεμημένη τανυστική αποδόμηση στη μηχανική μάθηση για πλήρως ή μερικώς παρατηρούμενα πολυδιάστατα δεδομένα μεγάλου όγκου

• Κύριος συγγραφέας: Παπαστεργίου, Θωμάς
• Άλλοι συγγραφείς: Papastergiou, Thomas
• Γλώσσα: Greek
• Έκδοση: 2020
• Θέματα: Τανυστική αποδόμηση; Κατανεμημένοι αλγόριθμοι; Βελτιστοποίηση; Αλγόριθμοι εγγύτητας; Δεδομένα μεγάλου όγκου; Ελλείπουσες τιμές; Μηχανική μάθηση; Μάθηση πολλαπλών στιγμιότυπων; Επιλογή στιγμιότυπων; Tensor decomposition; Distributed algorithms; Optimization; Proximal algorithms; Big data; Missing values; Machine learning; Multiple instance learning (MIL); Instance selection

Στην παρούσα διδακτορική διατριβή προτείνουμε έναν βασικό αλγόριθμο, τον GenProxSGD, για τον υπολογισμό μιας CANDECOM/PARAFAC (CP) αποδόμησης από μερικώς παρατηρούμενα δεδομένα, ο οποίος βασίζεται στον τελεστή εγγύτητας και αντιμετωπίζει το πρόβλημα βελτιστοποίησης λύνοντας τοπικά προβλήματα βελτιστ...