抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ランダムフォレスト(RF)は,分類とaregressionに用いensemblemachine学習アルゴリズムの一種である。サンプル値fromrandomly構築した多重ディシジョンツリーから構成されている。RFは他の機械learningalgorithmsと比べて簡単で高速な学習,andidentification能力を持っている。様々な認識システムのための広く用いられている。Theconventional RFは二分決定木(BDTs)から構成され,whilein,多値決定図(MDD)を用いた。MDDにおいて,各変数が経路上に1回だけ現われるが,BDTでは,いくつかの変数が複数回出現する可能性がある。Sincethe経路長はMDDにおける短い,ahigh速度で評価することができる。欠点はMDDにおけるノードの数はO(2N),Nは数入力変数を表すと共に増加することである。幸いなことに,過剰適合を避けるためにランダムフォレストは各樹木について少数Nをusetheに奨励している。実験で使用されるいくつかのデータセットには,ノードの数は増加しなかったMDDはwasused。開発時間を短縮するために,高レベル合成ツールの種類,Altera SDK forOpenCL(AOCL)を用いた。AOCLを用いてRF分類を加速するために,著者らは,FPGAに関する記憶bandwidthusingオンチップメモリを増加させるための完全パイプライン化アーキテクチャをproposethe。また,32ビットフローティングpointoneの代わりにoptimalprecision固定点表現を適用した。CPUとGPUimplementationsとの性能を比較した。LPS(ルックアップ当たり二)については,FPGArealizationたGPUより10.7倍速く,,CPUよりwas14~3.0倍速かった。LPS当たり消費電流に関しては,FPGA実現は61.3倍良好であったthanthe GPUと,CPUよりも12.1倍良好であった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
