文献

J-GLOBAL ID：201802262488040823   整理番号：18A1028094

マルチGPU上のKullback-Leibler発散を用いた大規模スパース非負行列因子分解のための効率的並列化アプローチ【JST・京大機械翻訳】

An Efficient Parallelization Approach for Large-Scale Sparse Non-Negative Matrix Factorization Using Kullback-Leibler Divergence on Multi-GPU

著者 (5件)： Li Hao ,  Li Kenli ,  Peng Jiwu ,  Hu Junyan ,  Li Keqin
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ISPA/IUCC  ページ： 511-518  発行年： 2017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： 次元縮小技術における最も正確で拡張可能な手法の一つとしての行列因数分解(MF)は,協調フィルタリング(CF)推薦システム,ソーシャルネットワークおよびグラフコミュニティにおいて一般的になっている。現在,Kullback-Lerbler非負行列因数分解(KL-NMF)は,CFモデルの代表的な非負性特徴により,MFに対する最も有名な手法の一つである。しかし,大規模問題に対して,高性能KL-NMFを得ることは,冗長な大規模中間データ,頻繁な行列操作,およびKL-NMFのスパースで不規則なエントリー特性のアクセスにより,重要でない。本研究では,単一スレッドベースKL-NMFを提案した。それは,関連する特徴タプル乗算と総和に依存し,次に,L_2ノルム正規化単一スレッドベースKL-NMFを提示した。それに基づいて,新しいCUDA並列化KL-NMFアプローチ(CuKL-NMF)をGPUコンピューティングのために提示した。さらに,大規模CFデータ集合を処理し,GPU計算電力の利点を作るために,マルチGPU CuKL-NMF(MCuKL-NMF)を提案した。最先端の並列アルゴリズム(例えばCUMF,CCD++,MCuKL-NMF)と比較して,最高の性能を得た。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： 電力 ,  ノルム ,  乗算 ,  *透視図法 ,  冗長性 ,  並列アルゴリズム ,  次元縮小 ,  正規化
準シソーラス用語： GPUコンピューティング ,  CUDA ,  推奨システム ,  協調フィルタリング ,  行列因数分解 ,  *非負行列因子分解 , 【Automatic Indexing@JST】

分類 (4件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： マルチ ,  GPU ,  Kullback-Leibler発散 ,  大規模 ,  非負行列因子分解 ,  並列化