文献

J-GLOBAL ID：202102249076190978   整理番号：21A3276043

並列および分散構造化SVM訓練【JST・京大機械翻訳】

Parallel and Distributed Structured SVM Training

著者 (5件)： Jiang Jiantong (The University of Western Australia, Crawley, WA, Australia) ,  Wen Zeyi (The University of Western Australia, Crawley, WA, Australia) ,  Wang Zeke (Zhejiang University, Hangzhou, Zhejiang, China) ,  He Bingsheng (National University of Singapore, Singapore) ,  Chen Jian (South China University of Technology, Guangzhou, Guangdong, China)
資料名： IEEE Transactions on Parallel and Distributed Systems  (IEEE Transactions on Parallel and Distributed Systems)
巻： 33  号： 5  ページ： 1084-1096  発行年： 2022年 
JST資料番号： T0882A  ISSN： 1045-9219  CODEN： ITDSEO  資料種別： 逐次刊行物 (A)
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： 構造化サポートベクトルマシン(構造化SVM)は基本的機械学習アルゴリズムであり,自然言語構文解析やコンピュータビジョンのような応用において,固体理論的基礎と高い有効性を持っている。しかし,訓練構造化SVMは,多数の制約と劣った収束速度のために,特に大きな訓練データセットのために,非常に時間がかかる。訓練構造化SVMの高いコストは,新しい応用への採用を妨げている。本論文では,MPIとOpenMPのトップに構造化SVMを訓練するための並列分散解(すなわちFastSSVM)を提案することにより構造化SVMの効率を改善することを目指した。高速SSVMは,ノードのクラスタとコアにおけるノードの資源を効率的に利用するために,一連の最適化(例えば,データ蓄積と同期の最適化)を利用する。さらに,FastSSVMはバッチ処理による大きな制約集合問題に対処し,各反復の改善に基づく停止条件を適応することにより遅い収束課題を扱う。この解が大域的最適に収束することが保証される。包括的な実験的研究は,FastSSVMが既存の解よりも少なくとも4倍高速化でき,ある場合には2から3桁の高速化を達成できることを示した。Copyright 2021 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： 最適化 ,  バッチ処理 ,  構文分析 ,  データ蓄積 ,  自然言語 ,  クラスタ ,  コンピュータビジョン ,  高速化 ,  有効性 ,  学習アルゴリズム ,  *サポートベクトルマシン
準シソーラス用語： 訓練データ ,  収束速度 ,  OpenMP , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 構造化 ,  SVM ,  訓練