Παράλληλοι Αλγόριθμοι και Υλοποιήσεις για Επεξεργασία πολύ Μεγάλων Τανυστών
Oι τανυστές (tensors) είναι μαθηματικά αντικείμενα τα οποία, πρόσφατα, έχουν προσελκύσει σημαντικό ερευνητικό ενδιαφέρον, εξαιτίας της δυνατότητάς τους να μοντελοποιούν πολυδιάστατα δεδομένα. Η παραγοντοποίηση (factorization) τανυστών σε λανθάνοντες παράγοντες (latent factors) είναι πολύ χρήσιμη για διαδικασίες όπως επιλογή χαρακτηριστικών, μείωση διαστάσεων, συμπίεση, οπτικοποίηση, και ερμηνεία δεδομένων. H πλήρωση (completion) τανυστών, όπου καλούμαστε να “προβλέψουμε” τις τιμές αγνώστων στοιχείων των τανυστών, είναι εξαιρετικά σημαντική σε εφαρμογές όπως συστήματα συστάσεων (recommendation systems). Τα τελευταία χρόνια έχουν αναπτυχθεί αρκετά πακέτα λογισμικού (n-way Toolbox, Tensorlab, Tensor-Toolbox) για την επεξεργασία τανυστών, γεγονός το οποίο αναδεικνύει την αυξανόμενη σπουδαιότητά τους. Σε πολλές και σημαντικές εφαρμογές, οι τανυστές τους οποίους καλούμαστε να χειριστούμε έχουν δισεκατομμύρια στοιχεία, γεγονός το οποίο κάνει εξαιρετικά δύσκολη την επεξεργασία τους σε συμβατικούς υπολογιστές. Τα διαθέσιμα πακέτα λογισμικού είναι κυρίως σειριακές υλοποιήσεις βασισμένες σε MATLAB, με αποτέλεσμα να μην είναι κατάλληλα για την επεξεργασία πολύ μεγάλων τανυστών. Εκτιμούμε ότι ο μόνος βιώσιμος τρόπος επεξεργασίας πολύ μεγάλων τανυστών είναι μέσω παράλληλων υπερυπολογιστών.
H λειτουργική απεικόνιση μαγνητικού τομογράφου (fMRI) αποτελεί πλέον μία από τις δημοφιλέστερες μεθόδους στη μελέτη του ανθρώπινου εγκεφάλου. Πρόκειται για μια τεχνική, η οποία χρησιμοποιεί την απεικόνιση μαγνητικών αντηχήσεων (MRI) ώστε να εκτιμηθεί η εγκεφαλική δραστηριότητα μέσω της ανίχνευσης τοπικών μεταβολών στα επίπεδα οξυγόνου του αίματος.
Το fMRI χρησιμοποιείται τόσο για έρευνες σχετικά με την λειτουργία του εγκεφάλου, όσο και ως διαγνωστικό εργαλείο. Μέσω του fMRI είναι δυνατή η μελέτη των νευρωνικών δικτύων, που σχηματίζονται στον ανθρώπινο εγκέφαλο προκειμένου να επιτελεστούν εγκεφαλικές λειτουργίες, σε επίπεδο τοπολογίας και δομής. H εξαγωγή συμπερασμάτων πάνω στην εγκεφαλική λειτουργία, όπως η δομή και η μορφολογία των νευρωνικών δικτύων, επιτυγχάνεται εξετάζοντας πολλαπλά υγιή υποκείμενα που επιτελούν κοινές λειτουργίες. Η χρήση του fMRI ως διαγνωστικό εργαλείο έχει προταθεί για πολλές ασθένειες μέσα από έναν μεγάλο αριθμό εργασιών. Τυχόν αποκλίσεις και αλλοιώσεις στα χαρακτηριστικά των νευρωνικών δικτύων μπορούν να διαπιστωθούν εγκαίρως, ακόμα και σε προσυμπτωματικό στάδιο, με αποτέλεσμα την έγκαιρη διάγνωση νευροεκφυλιστικών ασθενειών (νόσος του Alzheimer, νόσος του Parkinson, κ.α.) ή ψυχικών διαταραχών (σχιζοφρένεια, διπολική διαταραχή, κ.α).
Η ανάλυση των fMRI δεδομένων είναι ιδιαιτέρως σύνθετη, κυρίως λόγω δύο παραγόντων. Ο πρώτος παράγοντας συνδέεται με την ανάγκη για υψηλή χωρική και χρονική ευκρίνεια, το οποίο οδηγεί στην δημιουργία δεδομένων μεγάλου όγκου. Ο δεύτερος παράγοντας αφορά στη φύση των δεδομένων. Το fMRI σήμα δεν σχετίζεται άμεσα με τη νευρωνική δραστηριότητα, αλλά με τις μεταβολές στα επίπεδα οξυγόνου που παρατηρούνται τοπικά και συνδέονται με τις μεταβολικές απαιτήσεις των νευρώνων (συσχετισμένων και ασυσχέτιστων με μια συγκεκριμένη εγκεφαλική λειτουργία). Επιπλέον, το fMRI σήμα είναι ασθενές και επικαλύπτεται από πολλές πηγές θορύβου που σχετίζονται με τη διαδικασία λήψης του σήματος. Επομένως, η επεξεργασία του fMRI αποτελείται από την απομάκρυνση του θορύβου (προ-επεξεργασία), όπως και των ασυσχέτιστων με τη μελετώμενη εγκεφαλική λειτουργία συνιστωσών, καθώς και στην εξαγωγή πληροφορίας για τη νευρωνική λειτουργία.
Οι μέθοδοι επεξεργασίας του fMRI σήματος, μετά το στάδιο της προ-επεξεργασίας, χωρίζονται σε 2 κατηγορίες. Στην πρώτη κατηγορία εμφανίζονται οι μέθοδοι ανάλυσης μίας μεταβλητής (univariate analysis methods), οι οποίες βασίζονται στην ανάλυση του σήματος που προκύπτει από κάθε περιοχή του εγκεφάλου ξεχωριστά (voxel-wise signal analysis). Στη δεύτερη κατηγορία εμφανίζονται οι μέθοδοι ανάλυσης πολλών μεταβλητών (multivariate analysis methods), οι οποίες αναλύουν μαζίκα τα σήματα που προκύπτουν από κάθε περιοχή του εγκεφάλου και στοχεύουν στην εξαγωγή συμπερασμάτων πάνω στον τρόπο με τον οποίο μια εγκεφαλική λειτουργία επιτελείται σε έναν ανθρώπινο εγκεφάλο (εύρεση νευρωνικών δικτύων συσχετισμένα με μια εγκεφαλική λειτουργία και χρονική συμπεριφορά αυτών).
Μια νέα τάση στις μεθόδους ανάλυσης πολλών μεταβλητών αποτελεί η χρήση τανυστικών μοντέλων (PARAFAC και TUCKER). Σε αντίθεση με τις δημοφιλέστερες μεθόδους ανάλυσης πολλών μεταβλητών (PCA, ICA, κ.α) , η χρήση τανυστικών μοντέλων επιτρέπει την ανάλυση δεδομένων διατηρώντας την πολυδιάστατη δομή τους και προσφέρει μοναδικές αποσυνθέσεις των δεδομένων (μοντέλο PARAFAC) σε συνιστώσες, όπου κάθε μια εκφράζεται από ένα σύνολο μονοδιάστατων υπογραφών, καθιστώντας ευκολότερη την ερμηνεία των αποτελεσμάτων. Όταν τα δεδομένα δεν χαρακτηρίζονται από την πολυγραμμική δομή του μοντέλου PARAFAC, παρουσιάζονται φαινόμενα εκφυλισμού κατά τη διαδικασία αποσύνθεσης με αποτέλεσμα την εξαγωγή συνιστώσων που παρουσιάζουν έντονη συγγραμικότητα και είναι άνευ χρήσιμης προς ερμηνεία πληροφορίας.
Τα fMRI δεδομένα δεν ακολουθούν την πολυγραμμική δομή του μοντέλου PARAFAC, καθώς τα σήματα που αντιστοιχούν σε γειτονικές περιοχές παρουσιάζουν φαινόμενα καθυστερήμενης συσχέτισης λόγω των αιμοδυναμικών φαινομένων που αναπτύσσονται στο εσωτερικού του εγκεφάλου. Προκειμένου να καταστεί εφικτή η επεξεργασία των fMRI δεδομένων έχουν προταθεί στη βιβλιογράφια παραλλαγές του μοντέλου PARAFAC, όπου οι καθυστερήσεις μεταξύ σημάτων που προέρχονται από γειτονικές περιοχές του εγκεφάλου έχουν προβλεφθεί. Συγκεκριμένα, έχουν προταθεί μοντέλα που ενσωματώνουν την ύπαρξη μοναδικών καθυστερήσεων για κάθε voxel ανά συνιστώσα (Shift Invariant PARAFAC), όπως και την ύπαρξη ενός παραμετροποιήσιμου πλήθους καθυστερήσεων για κάθε voxel ανά συνιστώσα (Convolutive PARAFAC). Ωστόσω, η διαδικασία αποσύνθεσης, και για τα δύο μοντέλα, είναι ιδιαιτέρα χρονοβόρα και δεν έχει προταθεί κάποιο σχήμα παράλληλης αποσύνθεσης, όπως και κάποια μέθοδος εκτίμησης του ενδεδειγμένου πλήθους συνιστωσών.
Ο στόχος του PARTENSOR είναι διπλός:
σύνδεσμος στο site του έργου: https://www.partensor.com/el/dimosieyseis-kai-nea
autoNomous, self-Learning, OPTImal and compLete Underwater Systems
Τα σημερινά συστήματα πολλαπλών αυτόνομων υποβρυχίων οχημάτων (multi-AUV), απέχουν πολύ από το να επιτελούν πλήρως αυτόνομα, πολύπλοκες λειτουργίες επίγνωσης της κατάστασης του συστήματος σε πραγματικές συνθήκες. Επειδή τέτοιες λειτουργίες απαιτούν προηγμένες ικανότητες συλλογιστικής και λήψης αποφάσεων, οι υπάρχουσες μεθολογίες σχεδίασης επιβάλουν την ισχυρή εξάρτηση του χειρισμού τους σε ανθρώπους.
Η ανθρώπινη ανάμειξη ωστόσο δεν αποτελεί σε καμιά περίπτωση εγγύηση για την απόδοση του συστήματος: οι άνθρωποι μπορούν εύκολα να παρασυρθούν από την μεγάλη ροή πληροφορίας και η κούραση μπορεί να δράσει αρνητικά στην απόδοσή τους. Επιπλέον ο συντονισμός των ενεργειών των οχημάτων είναι δύσκολος και η συνεχής λειτουργία βασισμένη σε ανθρώπους, σχεδόν αδύνατη. Στο NOPTILUS θεωρούμε ότι ένα αποτελεσματικό πλήρως αυτόνομο multi-AUV σύστημα είναι ικανό να καλύψει τις ελλείψεις αυτές αντικαθιστώντας τις ανθρώπινες λειτουργίες με πλήρως αυτόνομες.
Για την επιτυχή επίτευξη ενός τέτοιου στόχου, απαιτούνται σημαντικές εξελίξεις που περιλαμβάνουν επικοινωνίες πληροφορίας για καλύτερη συνεργασία και (επι)γνώση και σόναρ (χαμηλό επίπεδο), εκτίμηση Gaussian διαδικασιών καθώς και μηχανισμό αντίληψης και εκμάθησης των δυναμικών ελέγχου κίνησης (μεσαίο επίπεδο) και, εκμάθηση/(επί)γνώση για την κατανόηση της κατάστασης και των πιθανών στρατηγικών κίνησης (υψηλό επίπεδο).
Υψίστης σημασίας είναι η κοινή ενσωμάτωση όλων αυτών των εξελίξεων και η επίδειξη του συστήματος NOPTILUS σε ένα ρεαλιστικό περιβάλλον στο λιμάνι του Leixoes, αξιοποιώντας μία ομάδα από 6 AUVs που θα λειτουργεί συνεχώς σε 24ωρη βάση 7 μέρες την εβδομάδα. Ως μέρος αυτής της επίδειξης θα αναδειχθεί μία άλλη σημαντική πτυχή του NOPTILUS, αυτή του εγγύς – βέλτιστου.
Η αξιολόγηση του συνολικού συστήματος θα γίνει με έμφαση στην ευρωστία, την αξιοπιστία, την προσαρμοστικότητα και την ευελιξία, ειδικά όταν έχει να κάνει με εντελώς άγνωστα υποθαλάσσια περιβάλλοντα και καταστάσεις που εκτός της περιοχής εκμάθησης, καθώς και την ικανότητά του να παρέχει επιθυμητά κοντά στην βέλτιστη απόδοση.
Πηγή: (Ινστιτούτο Τεχνολογιών Πληροφορικής και Επικοινωνιών)
Current multi-AUV systems are far from being capable of fully autonomously taking over real-life complex situation-awareness operations. As such operations require advanced reasoning and decision-making abilities the current designs have to heavily rely on human operators. The involvement of humans, however, is by no means a guarantee of performance; humans can easily be overwhelmed by the information overload, fatigue can act detrimentally to their performance, properly coordinating vehicles actions is hard, and continuous operation is all but impossible. Within NOPTILUS we take the view that an effective fully-autonomous multi-AUV concept/system, is capable of overcoming these shortcomings, by replacing human-operated operations by a fully autonomous one. To successfully attain such an objective, significant advances are required, involving cooperative & cognitive-based communications and sonars (low level), Gaussian Process-based estimation as well as perceptual sensory-motor and learning motion control (medium level), and learning/cognitive-based situation understanding and motion strategies (high level).Of paramount importance is the integration of all these advances and the demonstration of the NOPTILUS system in a realistic environment at the Port of Leixões, utilizing a team of 6 AUVs that will be operating continuously on a 24hours/7days-a-week basis. As part of this demonstration another important aspect of the NOPTILUS system that of (near-) optimality will be shown. Evaluation of the performance of the overall NOPTILUS system will be performed with emphasis on its robustness, dependability, adaptability and flexibility especially when it deals with completely unknown underwater environments and situations never taught before as well as its ability to provide with arbitrarily-close-to-the-optimal performance.
Ερευνητικό Πανεπιστημιακό Ινστιτούτο Τηλεπικοινωνιακών Συστημάτων – ΕΠΙΤΣ
Πολυτεχνείο Κρήτης
Πολυτεχνειούπολη – Κουνουπιδιανά
Τ.Κ. : 73100, Χανιά – Κρήτη
Αυτός ο ιστότοπος χρησιμοποιεί cookies. Συνεχίζοντας την περιήγηση στον ιστότοπο, συμφωνείτε με τη χρήση των cookies από εμάς.
Αποδοχή ΌλωνΡυθμίσεις
Ενδέχεται να ζητήσουμε τη ρύθμιση cookie στη συσκευή σας. Χρησιμοποιούμε cookies για να μας ενημερώνουμε όταν επισκέπτεστε τους ιστότοπούς μας, πώς αλληλεπιδράτε μαζί μας, να εμπλουτίζουμε την εμπειρία χρήστη σας και να προσαρμόσουμε τη σχέση σας με τον ιστότοπό μας.
Αυτά τα cookies είναι απολύτως απαραίτητα για να σας παρέχουμε υπηρεσίες που είναι διαθέσιμες μέσω του ιστότοπού μας και για να χρησιμοποιήσετε ορισμένες από τις δυνατότητες του.
Αυτά τα cookies συλλέγουν πληροφορίες που χρησιμοποιούνται είτε σε συγκεντρωτική μορφή για να μας βοηθήσουν να κατανοήσουμε πώς χρησιμοποιείται ο ιστότοπός μας ή πόσο αποτελεσματικές είναι οι καμπάνιες μάρκετινγκ ή για να μας βοηθήσουν να προσαρμόσουμε τον ιστότοπο και την εφαρμογή μας για εσάς, προκειμένου να βελτιώσουμε την εμπειρία σας.
Εάν δεν θέλετε να παρακολουθούμε τον επισκέπτη σας στον ιστότοπό μας, μπορείτε να απενεργοποιήσετε την παρακολούθηση στο πρόγραμμα περιήγησής σας εδώ:
Χρησιμοποιούμε επίσης διαφορετικές εξωτερικές υπηρεσίες, όπως το Google Webfonts, τους Χάρτες Google και εξωτερικούς παρόχους βίντεο. Δεδομένου ότι αυτοί οι πάροχοι ενδέχεται να συλλέγουν προσωπικά δεδομένα όπως η διεύθυνση IP σας, σας επιτρέπουμε να τους αποκλείσετε εδώ. Λάβετε υπόψη ότι αυτό μπορεί να μειώσει σημαντικά τη λειτουργικότητα και την εμφάνιση του ιστότοπού μας. Οι αλλαγές θα τεθούν σε ισχύ μόλις φορτώσετε ξανά τη σελίδα.
Google Webfont Settings:
Google Map Settings:
Vimeo and Youtube video embeds:
Μπορείτε να διαβάσετε αναλυτικά για τα cookies και τις ρυθμίσεις απορρήτου μας στη Σελίδα Πολιτικής Απορρήτου.