文献

J-GLOBAL ID：202002266931567309   整理番号：20A1708528

HPCアプリケーションの大規模性能を予測するための小規模履歴データの利用【JST・京大機械翻訳】

Using Small-Scale History Data to Predict Large-Scale Performance of HPC Application

著者 (4件)： Zhou Wenju (Computer Science and Technology dept. of USTC,Hefei,China) ,  Zhang Jiepeng (Computer Science and Technology dept. of USTC,Hefei,China) ,  Sun Jingwei (Computer Science and Technology dept. of USTC,Hefei,China) ,  Sun Guangzhong (Computer Science and Technology dept. of USTC,Hefei,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IPDPSW  ページ： 787-795  発行年： 2020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： 性能モデリングは,高性能コンピューティング(HPC)における重要な問題である。機械学習(ML)はHPC性能モデリングのための強力なアプローチである。MLは,アプリケーションパラメータと歴史的実行データからHPCアプリケーションの性能の間の複雑な関係を学習できる。しかし,MLを用いた小規模実行データのみによる大規模性能の外挿は,独立で同一の分布仮説(ほとんどのMLアルゴリズムの基本的仮説)がこの状況では保持されないので,困難である。外挿問題を解くために,補間レベルと外挿レベルから成る2レベルモデルを提案した。補間レベルは小規模実行で小規模性能を予測する。外挿レベルは,その小規模性能予測による固定入力パラメータの大規模性能を予測する。補間レベルにおける小規模性能を予測するために,補間モデルを構築するためにランダムフォレストを使用した。外挿レベルにおいて,補間誤差の負の影響を減らすために,著者らは,大規模性能を予測するためにスケーラビリティモデルを構築するために,クラスタリングによるマルチタスクlassoを採用した。2レベルモデルの有用性を検証するために,実際のHPCプラットフォーム上で実験を行った。2レベルモデルを用いて2つのHPCアプリケーションのモデルを構築した。既存のML方法と比較して,著者らの方法はより高い予測精度を達成することができた。Copyright 2020 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： アルゴリズム ,  外挿法 ,  内挿法 ,  クラスタ化 ,  *応用プログラム ,  機械学習
準シソーラス用語： 性能予測 ,  予測精度 ,  マルチタスク ,  ランダムフォレスト , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： HPC ,  アプリケーション ,  大規模 ,  予測 ,  小規模 ,  履歴データ