文献

J-GLOBAL ID：201902228899134687   整理番号：19A1874110

GPGPUを用いた変分混合ガウスモデルのパラメータ推定高速化

著者 (3件)： 西本宏樹 (奈良先端科学技術大学院大) ,  中田尚 (奈良先端科学技術大学院大) ,  中島康彦 (奈良先端科学技術大学院大)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 119  号： 76(CPSY2019 1-16)(Web)  ページ： 1-5 (WEB ONLY)  発行年： 2019年06月04日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 近年,CPUやGPGPUの性能向上とともに機械学習技術が発達し,ビッグデータの解析等に用いられるようになった.教師なし機械学習のタスク,クラスタリングもその一つである.クラスタリングを実現する手法も様々であるが,データをいくつかのガウス分布によって分類する混合ガウス分布は精度が高く,更にその混合ガウス分布にベイズ推論の概念を利用し,そのガウス分布のパラメータを共役確率分布から生成される確率変数とした,変分混合ガウス分布は過学習を行い難いという特徴がある.しかし,この変分混合ガウス分布は収束までに時間がかかることが知られおり,データ数に比例しその計算時間は膨大なものとなる.我々はこの変分混合ガウス分布の大規模データの適用の第一歩として,変分混合ガウス分布の並列実装及び,その評価を行った.結果として,一般的に用いられる変分混合ガウス分布であるscikit-learnのCPU実装に比べ,平均的な計算時間を評価した結果,提案手法はデータ数が大きい際にCPUでの実行と比較して228倍高速に実行できた.(著者抄録)

シソーラス用語： *専用プロセッサ ,  *正規分布 ,  *Gauss模型 ,  *パラメータ推定 ,  時間 ,  CPU時間 ,  推論 ,  変数 ,  *GPGPU ,  確率変数 ,  ベイズ的推論
準シソーラス用語： ベイズ推論 ,  混合Gauss分布 ,  収束時間 ,  *変分混合ガウス分布

分類 (2件)： 計算理論  (JB02000A) ,  専用演算制御装置  (JC04030Y)

引用文献 (8件)：

• D.A.Reynolds, T.F.Quatieri, and R.B.Dunn, “Speaker verification using adapted Gaussian mixture models,” Digital Signal Pro-cess., vol.10, no.1, pp.19-41, 2000.
• C.Stauffer and W.Grimson, “Adaptive background mixture models for real-time tracking,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 246-252, vol.2, IEEE, 1999.
• C.M.ビショップ(2008)『パターン認識と機械学習下-ベイズ理論による統計的予測』元田浩, 栗田多喜夫, 樋口知之, 松本裕治, 村田昇監訳, 丸善出版
• scikit-learn,“Choosing the right estimator” [Online].Available:https://scikit-learn.org/stable/tutorial/machine_learning_map/#choosing-the-right-estimator
• Guo, Ce et al. “A fully-pipelined expectation-maximization engine for Gaussian Mixture Models.” 2012 International Conference on Field-Programmable Technology (2012): 182-189.

タイトルに関連する用語 (5件)： GPGPU ,  変分 ,  ガウスモデル ,  パラメータ推定 ,  高速化