文献

J-GLOBAL ID：201802242949178208   整理番号：18A1480799

GPU上での効率的な勾配ブースト決定木訓練【JST・京大機械翻訳】

Efficient Gradient Boosted Decision Tree Training on GPUs

著者 (5件)： Wen Zeyi ,  He Bingsheng ,  Kotagiri Ramamohanarao ,  Lu Shengliang ,  Shi Jiashuai
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IPDPS  ページ： 234-243  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,グラフ処理ユニット(GPU)上でのGradient Boosting Decision Trees(GBDTs)を訓練するための新しい並列実装について述べた。オープンソース化XGBoostライブラリの広い利用のおかげで,GBDTsは近年非常に人気があり,機械学習とデータマイニング競争において多くの分野がある。GPUは多くの機械学習応用を加速するのに成功したが,不規則なメモリアクセス,多くの小さなソーティング操作,およびツリー構築におけるデータ並列粒度の変化を含むGPUベースGBDTアルゴリズムの開発の一連の重要課題がある。GPUに関するこれらの課題に取り組むために,著者らは様々な新しい技術(長さ符号化圧縮とスレッド/ブロック作業負荷動的配置を含む)を提案して,効率的勾配計算のための中間訓練結果を再利用した。著者らの実験結果は,GPU-GBDTと呼ばれる著者らのアルゴリズムがXGBoostの逐次バージョンより10~20倍速く,20CPUコアの比較的高い末端ワークステーション上で実行する40スレッドのXGBoost上で1.5~2倍の高速化を達成することを示した。さらに,GPU-GBDTは,性能-価格比に関してCPU対応物より2~3倍優れている。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  ワークステーション ,  再利用 ,  データマイニング ,  機械学習 ,  *ディシジョンツリー ,  スレッド ,  高速化 ,  処理装置 ,  ソーティング
準シソーラス用語： データ並列 ,  メモリアクセス ,  オープンソース ,  並列実装 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： GPU ,  勾配 ,  決定木 ,  訓練