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。
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】