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。
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】