Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Efficient Measures for Processing and Exploring Large-Scale Data Domains
Übersetzter Titel:
Effiziente Maßnahmen zur Verarbeitung und Exploration großskaliger Datendomänen
Autor:
Reinbold, Christian
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Westermann, Rüdiger (Prof. Dr.)
Gutachter:
Westermann, Rüdiger (Prof. Dr.); Schneider, Jens (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 780; DAT 750
Kurzfassung:
With increasing compute-capabilities of modern hardware and recent success of data-driven designs in Deep Learning, large-scale datasets with high sample counts and/or high-dimensional data domains gained in importance. In this thesis, we present multiple techniques for large-scale data, that is a method to explore robustness of non-deterministic dimensionality reduction approaches, a memory conserving data structure for Summed Volume Tables, and an approach for task-driven geometry encoding.
Übersetzte Kurzfassung:
Aufgrund steigender Leistungsfähigkeit moderner Hardware sowie Fortschritte im Bereich Deep Learning haben großskalige Datensätze mit hoher Auflösung und/oder Dimensionalität an Bedeutung gewonnen. In dieser Arbeit präsentieren wir mehrere Techniken für großskalige Datensätze, konkret eine Methode zur Analyse von Robustheit nichtdeterministischer Dimensionsreduktion, eine speichereffiziente Datenstruktur für Summed Volume Tables, und ein Ansatz zur aufgabenorientierten Kodierung von Geometrie.
WWW:
https://mediatum.ub.tum.de/?id=1655492
Eingereicht am:
27.06.2022
Mündliche Prüfung:
04.10.2022
Dateigröße:
21567446 bytes
Seiten:
181
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221004-1655492-1-3
Letzte Änderung:
14.11.2022
 BibTeX