< Terug naar vorige pagina

Project

Beperkte ontbindingen van expliciet en impliciet gegeven tensoren

 Onze informatiemaatschappij genereert een onaflatende stroom van data die men in domeinen zoals signaalverwerking, data-analyse en machinaal leren gebruikt om voorspellingen te doen of waarin men patronen of onderliggende bronnen ontdekt. Matrixontbindingen zijn hiertoe een belangrijke techniek, maar recent gebruikt men ook steeds vaker tensoren, dewelke men zich kan voorstellen als meerwegs tabellen. Het is met tensorontbindingen immers eenvoudiger om onderliggende componenten te vinden dankzij mildere uniciteitsvoorwaarden.
Om interpreteerbare componenten eenvoudiger te ontdekken buit men in toepassingen vaak voorkennis uit d.m.v. beperkingen. We ontwikkelen in het project nieuwe algoritmes om mildere (on)gelijkheidsbeperkingen op te leggen op zowel inviduele termen als de hele ontbinding. We leiden nieuwe initialisatietechnieken af om betere oplossingen te vinden en via orthogonaliteits- en conditiebeperkingen bieden we een efficiënter alternatief voor technieken uit wetenschappelijk rekenen.
Verder bestuderen we technieken waarbij de tensor enkel impliciet gekend is, om zo de hoge reken- en geheugenkost die gepaard gaat met expliciet opgestelde tabellen te vermijden. Door de expliciete constructie te mijden, kunnen we "impliciete" versies van een reeks belangrijke algoritmes ontwikkelen, wat nieuwe mogelijkheden en toepassingen biedt in data-analyse, machinaal leren, het vinden van multidimensionele harmonischen en multidimensionele systeemidentificatie en -modellering.
 

Datum:1 okt 2019  →  Heden
Trefwoorden:multilinear algebra, tensor, numerical optimization, signal processing, data analysis, large-scale, machine learning
Disciplines:Datamining, Informatietechnologieën, Analoge en digitale signaalverwerking