MARC

 008190529s2018        ulk          s          00        eng
■001000014999630
■00520190102172444
■007cr
■020    ▼a9780438377257
■035    ▼a(MiAaPQ)AAI10838373
■035    ▼a(MiAaPQ)duke:14816
■040    ▼aMiAaPQ▼cMiAaPQ
■08204▼a004
■090    ▼a전자도서(박사논문)  
■1001  ▼aNath,  Abhinandan.
■24510▼aAlgorithms  for  Analyzing  Spatio-temporal  Data.▼h[electronic  resource]▼cNath,  Abhinandan.
■260    ▼a[S.l.]▼bDuke  University.  ▼c2018
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2018
■300    ▼a1  online  resource(170  p.)
■500    ▼aSource:  Dissertation  Abstracts  International,  Volume:  80-02(E),  Section:  B.
■500    ▼aAdviser:  Pankaj  K.  Agarwal.
■5021  ▼aThesis  (Ph.D.)--Duke  University,  2018.
■520    ▼aIn  today's  age,  huge  data  sets  are  becoming  ubiquitous.  In  addition  to  their  size,  most  of  these  data  sets  are  often  noisy,  have  outliers,  and  are  incomplete.  Hence,  analyzing  such  data  is  challenging.  We  look  at  applying  geometric  techniques  to
■520    ▼aWith  the  massive  amounts  of  data  available  today,  it  is  common  to  store  and  process  data  using  multiple  machines.  Parallel  programming  frameworks  such  as  MapReduce  and  its  variants  are  becoming  popular  for  handling  such  large  data.  We  present  th
■520    ▼aWe  propose  parallel  algorithms  in  the  MPC  model  for  processing  large  terrain  elevation  data  (represented  as  a  3D  point  cloud)  that  are  too  big  to  fit  on  one  machine.  In  particular,  we  present  a  simple  randomized  algorithm  to  compute  the  Delaunay
■520    ▼aWe  then  look  at  comparing  real-valued  functions,  by  computing  a  distance  function  between  their  merge  trees  (a  small-sized  descriptor  that  succinctly  captures  the  sublevel  sets  of  a  function).  Merge  trees  are  robust  to  noise  in  the  data,  and  can
■520    ▼aFinally  we  look  at  the  problem  of  capturing  shared  portions  between  large  number  of  input  trajectories.  We  formulate  it  as  a  subtrajectory  clustering  problem  -  the  clustering  of  subsequences  of  trajectories.  We  propose  a  new  model  for  clustering
■590    ▼aSchool  code:  0066.
■650  4▼aComputer  science.
■690    ▼a0984
■71020▼aDuke  University▼bComputer  Science.
■7730  ▼tDissertation  Abstracts  International▼g80-02B(E).
■773    ▼tDissertation  Abstract  International
■790    ▼a0066
■791    ▼aPh.D.
■792    ▼a2018
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T14999630▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a201812▼f2019

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서