文献

J-GLOBAL ID：202002254890300320   整理番号：20A1795657

CUSNTF マルチGPU上の大規模産業応用のためのスケーラブルなスパース非負テンソル因数分解モデル【JST・京大機械翻訳】

CUSNTF A Scalable Sparse Non-negative Tensor Factorization Model for Large-scale Industrial Applications on Multi-GPU

著者 (4件)： Li Hao (Hunan University, Changsha, Hunan Province, China) ,  Li Kenli (Hunan University, Changsha, Hunan Province, China) ,  An Jiyao (Hunan University, Changsha, Hunan Province, China) ,  Li Keqin (State University of New York, New Paltz, NY, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： CIKM ’18  ページ： 1113-1122  発行年： 2018年 
JST資料番号： D0698C  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： 大きいデータおよび産業応用からの高次,大規模および疎なデータを考えると,リアルタイムで低メモリオーバーヘッド方式で有用なパターンを獲得することができる。スパース非負テンソル因数分解(SNTF)は,高次表現,非負性,および次元縮小性を持っている。したがって,SNTFはスパースデータを表現し,解析するための有用なツールとなり,それは,2つの方法データのみをモデル化することができるマトリックスよりも,余分な文脈情報,即ち,時間や位置などに組み込まれた。しかし,現在のSNTF技術は,a)非線形時間と空間オーバーヘッド,b)中間データ爆発,およびc)GPUとマルチGPUの不安定性に悩まされる。これらの問題に取り組むために,単一スレッドベースSNTFを提案し,それは全体因子行列よりも特徴要素を含み,大規模中間行列の形成を避けることができる。次に,CUDA並列化単一スレッドベースSNTF(CUSNTF)モデルをGPUとマルチGPU(MCUSNTF)の工業的応用のために提案した。したがって,CUSNTFは,線形計算と空間複雑性,およびマルチGPUに関する線形通信コストを持っている。CUSNTFとMCUSNTFを8つのP100GPUに実装し,最先端の並列と分散法と比較した。いくつかの産業データセットからの実験結果は,CUSNTFの線形スケーラビリティと効率を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *テンソル ,  *因数分解 ,  線形性 ,  不安定性 ,  次元縮小
準シソーラス用語： 通信コスト ,  オーバヘッド ,  複雑性 ,  実時間 ,  CUDA , 【Automatic Indexing@JST】

著者キーワード (4件)： 正準多進(cp)モデル ,  gpuとマルチgpu ,  産業応用 ,  スパース非負テンソル因数分解

分類 (3件)： 数値計算  (JE02000J) ,  音声処理  (JE05000E) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： マルチ ,  GPU ,  大規模 ,  産業応用 ,  テンソル ,  因数分解 ,  モデル