差分

この文書の現在のバージョンと選択したバージョンの差分を表示します。

この比較画面にリンクする

report:talk_20181122 [2019/06/04]
admin
report:talk_20181122 [2019/06/04] (現在)
ライン 5: ライン 5:
 演題: 「Performance portable parallel CP-APR tensor decompositions」\\ 演題: 「Performance portable parallel CP-APR tensor decompositions」\\
  
-概要:To be filled.+概要:Tensors have found utility in a wide range of applications, 
 +such as chemometrics, network traffic analysis, neuroscience, and 
 +signal processing. Many of these data science applications have 
 +increasingly large amounts of data to process and require 
 +high-performance methods to provide a reasonable turnaround time for 
 +analysts. Sparse tensor decomposition is a tool that allows analysts 
 +to explore a compact representation (low-rank models) of 
 +high-dimensional data sets, expose patterns that may not be apparent 
 +in the raw data, and extract useful information from the large amount 
 +of initial data. In this work, we consider decomposition of sparse 
 +count data using CANDECOMP-PARAFAC Alternating Poisson Regression 
 +(CP-APR).
  
 米国サンディア国立研究所のDr. Teranishiを招き,近年様々な分野で求められている大規模データ処理,機械学習等とも関連の深い,テンソル分解に関する最新の研究動向についてご講演いただきました. 米国サンディア国立研究所のDr. Teranishiを招き,近年様々な分野で求められている大規模データ処理,機械学習等とも関連の深い,テンソル分解に関する最新の研究動向についてご講演いただきました.
report/talk_20181122.1559628716.txt.gz · 最終更新: 2019/06/04 by admin