文献

J-GLOBAL ID：201902274557186816   整理番号：19A0185314

変分混合ガウスモデルアクセラレータ設計のための変分推論アルゴリズムの解析

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： 118  号： 334(VLD2018 40-71)  ページ： 155-160  発行年： 2018年11月28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性能の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。しかし,増加する要求計算量に対し,CPUやGPGPUではもはや処理が追いつかず,タスクごとに専用のアクセラレータが設計されることも多くなった。また,機械学習によるクラスタリング手法の一つに,ベイズ推論の概念を利用する変分推論を用いた変分混合ガウス分布という手法がある。この手法は変分推論を利用しない混合ガウス分布に比べて過学習を行い難いという特徴がある。我々はこの変分混合ガウス分布の高速化の布石として,変分推論アルゴリズムのプロファイリングを行った。潜在変数の事後分布を求める際に実行される3つの関数が処理の実行時間の75から92%を占めていることがわかった。また,データの次元数Dとデータ数Nの関係でボトルネックとなる関数が変化することがわかった。(著者抄録)

シソーラス用語： 正規分布 ,  *Gauss模型 ,  パラメータ推定 ,  Bayes推定 ,  推論 ,  *変分法 ,  *データ処理システム ,  特徴抽出 ,  機械学習 ,  クラスタ化 ,  変数 ,  確率分布 ,  確率密度 ,  *アクセラレータ ,  事後分布 ,  改変
準シソーラス用語： 混合Gauss分布 ,  変分Bayes法 ,  *変分推論 ,  プロファイリング ,  過学習 ,  潜在変数

分類 (2件)： 人工知能  (JE08000Z) ,  情報処理一般  (JE15010U)

引用文献 (7件)：

• D.A.Reynolds, T.F.Quatieri, and R.B.Dunn, ′′Speakerverificationusing 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.
• Guo, Ce et al. ′′A fully-pipelined expectation-maximization engine for Gaussian Mixture Models.′′ 2012 International Conference on Field-Programmable Technology (2012): 182-189.
• He, Conghui et al. ′′A Fully-Pipelined Hardware Design for Gaussian Mixture Models.′′ IEEE Transactions on Computers 66 (2017): 1837-1850.
• 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

タイトルに関連する用語 (4件)： 変分 ,  設計 ,  変分推論 ,  アルゴリズムの解析