Académique Documents
Professionnel Documents
Culture Documents
B IG DATA
PFA REPORT
PROJECT
1
Résumé
Le présent rapport synthétise le travail d’un projet effectué dans le cadre
de notre évaluation finale dans la matière « Traitements des Données Massives
» encadré par Mr Elhousaine ZIYATI. Le sujet de ce projet est « TENSOR
DECOMPOSITION TUCKER : HOOI »
Abstract
This report summarizes the work of a project carried out as part of our
final evaluation of the “Massive Data Processing” material supervised by Mr
Elhousaine ZIYATI. The subject of our project is " TENSOR DECOMPOSITION
TUCKER : HOOI ”.
So, the scope of this report is to give a great overview of tensors, their
decompositions, using the two algorithms HOSVD and HOOI.
2
Table des matières
Remerciements ................................................... 1
Résumé/Abstract ……………………………… 2
I. Introduction ………………………………… 4
3
I. Introduction
4
II. Algorithmes
i. HOSVD
Cette méthode est mieux connue sous le nom de SVD de haut ordre
(HOSVD), qui a montré que le HOSVD est une généralisation convaincante de la
matrice SVD et discuté des moyens de calculer plus efficacement les principaux
vecteurs singuliers gauches de X(n). En fait, le tenseur de base du HOSVD est
tout-orthogonal, qui a la pertinence de tronquer la décomposition.
Puisque la HOSVD repose sur les dépliements selon chaque dimension
prise séparément, elle ne permet pas d’accéder à l’information. De ce fait, le
HOSVD tronqué n’est pas optimal en termes de donner le meilleur ajustement.
Cependant, HOSVD n'est pas une méthode sure et se montre très intolérante à
l'erreur.
5
ii. HOOI “ High Order Orthogonal Iteration”
Explication Algorithme :
6
1. initialiser les valeurs A(n) et ajouter nos valeurs matricielles
aléatoires a la liste des Un pour n modes
Résultat : Nous avons obtenu notre liste pour n à portée !
Fonction Boucle :
7
Déplier le tensor pour chaque mode n. Puis, utilisez l’algorithme
SVD sur ces matrices en décomposant ce "slice" en plusieurs
matrices.
8
Cette liberté ouvre la porte au choix de transformations qui simplifient la
structure centrale d’une manière ou d’une autre afin que la plupart des
éléments de G soient nuls, éliminant ainsi les interactions entre les
composants correspondants et améliorant l’unicité.
Par conséquent, nous pouvons conclure que HOOI est mieux adapté
pour la décomposition Tensor.
9
III. SVD / PARAFAC
SVD
10
IV. Conclusion
L’algorithme HOSVD est un algorithme non itératif, souvent
utilisé pour initialiser HOOI, tandis que, les matrices de facteur dans
l’algorithme HOOI sont itérativement mises à jour. Donc, on conclut
ce projet par dire que l’algorithme HOOI est le plus performant en
termes d’efficacité et de précision.
En résumé, ce projet a été l’occasion pour nous d’utiliser
plusieurs techniques sur un véritable problème de traitement des
données massives afin de faciliter notre compréhension et notre
assimilation du cours.
11