Auswahl der wissenschaftlichen Literatur zum Thema „Butterfly factorization“
Geben Sie eine Quelle nach APA, MLA, Chicago, Harvard und anderen Zitierweisen an
Inhaltsverzeichnis
Machen Sie sich mit den Listen der aktuellen Artikel, Bücher, Dissertationen, Berichten und anderer wissenschaftlichen Quellen zum Thema "Butterfly factorization" bekannt.
Neben jedem Werk im Literaturverzeichnis ist die Option "Zur Bibliographie hinzufügen" verfügbar. Nutzen Sie sie, wird Ihre bibliographische Angabe des gewählten Werkes nach der nötigen Zitierweise (APA, MLA, Harvard, Chicago, Vancouver usw.) automatisch gestaltet.
Sie können auch den vollen Text der wissenschaftlichen Publikation im PDF-Format herunterladen und eine Online-Annotation der Arbeit lesen, wenn die relevanten Parameter in den Metadaten verfügbar sind.
Zeitschriftenartikel zum Thema "Butterfly factorization"
Li, Yingzhou, Haizhao Yang, Eileen R. Martin, Kenneth L. Ho und Lexing Ying. „Butterfly Factorization“. Multiscale Modeling & Simulation 13, Nr. 2 (Januar 2015): 714–32. http://dx.doi.org/10.1137/15m1007173.
Der volle Inhalt der QuelleLi, Yingzhou, und Haizhao Yang. „Interpolative Butterfly Factorization“. SIAM Journal on Scientific Computing 39, Nr. 2 (Januar 2017): A503—A531. http://dx.doi.org/10.1137/16m1074941.
Der volle Inhalt der QuelleLi, Yingzhou, Haizhao Yang und Lexing Ying. „Multidimensional butterfly factorization“. Applied and Computational Harmonic Analysis 44, Nr. 3 (Mai 2018): 737–58. http://dx.doi.org/10.1016/j.acha.2017.04.002.
Der volle Inhalt der QuellePang, Qiyuan, Kenneth L. Ho und Haizhao Yang. „Interpolative Decomposition Butterfly Factorization“. SIAM Journal on Scientific Computing 42, Nr. 2 (Januar 2020): A1097—A1115. http://dx.doi.org/10.1137/19m1294873.
Der volle Inhalt der QuelleLiu, Yang, Xin Xing, Han Guo, Eric Michielssen, Pieter Ghysels und Xiaoye Sherry Li. „Butterfly Factorization Via Randomized Matrix-Vector Multiplications“. SIAM Journal on Scientific Computing 43, Nr. 2 (Januar 2021): A883—A907. http://dx.doi.org/10.1137/20m1315853.
Der volle Inhalt der QuelleChen, Ze, Juan Zhang, Kenneth L. Ho und Haizhao Yang. „Multidimensional phase recovery and interpolative decomposition butterfly factorization“. Journal of Computational Physics 412 (Juli 2020): 109427. http://dx.doi.org/10.1016/j.jcp.2020.109427.
Der volle Inhalt der QuelleJaber, Marwan A., und Daniel Massicotte. „Radix-2α/4β Building Blocks for Efficient VLSI’s Higher Radices Butterflies Implementation“. VLSI Design 2014 (13.05.2014): 1–13. http://dx.doi.org/10.1155/2014/690594.
Der volle Inhalt der QuelleBremer, James, Ze Chen und Haizhao Yang. „Rapid Application of the Spherical Harmonic Transform via Interpolative Decomposition Butterfly Factorization“. SIAM Journal on Scientific Computing 43, Nr. 6 (Januar 2021): A3789—A3808. http://dx.doi.org/10.1137/20m1333845.
Der volle Inhalt der QuelleYang, Haizhao. „A unified framework for oscillatory integral transforms: When to use NUFFT or butterfly factorization?“ Journal of Computational Physics 388 (Juli 2019): 103–22. http://dx.doi.org/10.1016/j.jcp.2019.02.044.
Der volle Inhalt der QuelleMardan, Suha Suliman, und Mounir Taha Hamood. „New fast Walsh–Hadamard–Hartley transform algorithm“. International Journal of Electrical and Computer Engineering (IJECE) 13, Nr. 2 (01.04.2023): 1533. http://dx.doi.org/10.11591/ijece.v13i2.pp1533-1540.
Der volle Inhalt der QuelleDissertationen zum Thema "Butterfly factorization"
Zheng, Léon. „Frugalité en données et efficacité computationnelle dans l'apprentissage profond“. Electronic Thesis or Diss., Lyon, École normale supérieure, 2024. http://www.theses.fr/2024ENSL0009.
Der volle Inhalt der QuelleThis thesis focuses on two challenges of frugality and efficiency in modern deep learning: data frugality and computational resource efficiency. First, we study self-supervised learning, a promising approach in computer vision that does not require data annotations for learning representations. In particular, we propose a unification of several self-supervised objective functions under a framework based on rotation-invariant kernels, which opens up prospects to reduce the computational cost of these objective functions. Second, given that matrix multiplication is the predominant operation in deep neural networks, we focus on the construction of fast algorithms that allow matrix-vector multiplication with nearly linear complexity. More specifically, we examine the problem of sparse matrix factorization under the constraint of butterfly sparsity, a structure common to several fast transforms like the discrete Fourier transform. The thesis establishes new theoretical guarantees for butterfly factorization algorithms, and explores the potential of butterfly sparsity to reduce the computational costs of neural networks during their training or inference phase. In particular, we explore the efficiency of GPU implementations for butterfly sparse matrix multiplication, with the goal of truly accelerating sparse neural networks
Konferenzberichte zum Thema "Butterfly factorization"
Shekofteh, S. Kazem, Christian Alles und Holger Fröning. „Reducing Memory Requirements for the IPU using Butterfly Factorizations“. In SC-W 2023: Workshops of The International Conference on High Performance Computing, Network, Storage, and Analysis. New York, NY, USA: ACM, 2023. http://dx.doi.org/10.1145/3624062.3624196.
Der volle Inhalt der Quelle