Personal tools

SC²S Colloquium - October 8, 2010

From Sccswiki

Jump to: navigation, search
Date: October 8
Room: 02.07.023
Time: 14:00 pm, s.t.


Narek Melik-Barkhudarov: Spatially Adaptive Semi-Supervised Learning (MA)

Conventional classification techniques rely on labeled data only to train. Semi-supervised learning allows to take advantage of the large amounts of unlabeled data usually available in classification problems. The implementation of semi-supervised learning on adaptive sparse grids allows the algorithm to be used for substantially high-dimensional datasets. Since distances between data points are used extensively throughout semi-supervised learning, computational problems as well as questions of meaningfulness of euclidean distances arise. A number of approaches to these questions is discussed, which allow to improve performance for high-dimensional data.

The thesis is concerned with the implementation of semi-supervised learning using the SG++ framework, and the results for classification on several publicly available real-life datasets.


Svetlana Nogina: Shared-Memory-Parallelisierung eines Multiskalenlösers für Partielle Differentialgleichungen (BA)

Viele wissenschaftliche Probleme werden mittels partiellen Differentialgleichungen (PDE) auf Mehrgittern gelöst. Die wichtigsten Herausforderungen sind dabei die große Datenmenge und sehr hohe Anzahl von Rechenoperationen. Ein Weg, die Leistung der PDE-Löser zu verbessern, ist es, die Anwendung auf mehreren Prozessoren parallel auszuführen.

In dieser Arbeit wird die Möglichkeit untersucht, die Traversierung kartesischer Mehrgittern mit dem Shared-Memory Programmiermodell zu parallelisieren. Es wird ein Task Graph Pattern aus dem Bereich des parallelen Programmierens verwendet, mit dem man die Gittertraversierung modellieren kann. Dabei werden zuerst Schritte erläutert, die für den Aufbau des Abhängigkeitsgraphen vorgenommen werden müssen. Danach wird ein Algorithmus zur Graphenfärbung vorgestellt, der zum Erstellen des Task Graphen aus dem Abhängigkeitsgraphen eingesetzt wird. Weiterhin werden zwei Ansätze, die Ausführung des Task Graphen mittels OpenMP zu parallelisieren, beschrieben und miteinander verglichen. Im Abschluss der Arbeit gehe ich auf die Integration der parallelen Traversierung in das Peano Framework ein.