文献

J-GLOBAL ID：202102260800564483   整理番号：21A3136353

マルチGPU上の産業応用における一般化スパース非負行列因数分解のためのオンラインでスケーラブルなモデル【JST・京大機械翻訳】

An Online and Scalable Model for Generalized Sparse Nonnegative Matrix Factorization in Industrial Applications on Multi-GPU

著者 (4件)： Li Hao (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  Li Kenli (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  An Jiyao (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  Li Keqin (Department of Computer Science, State University of New York, New Paltz, NY, USA)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 18  号： 1  ページ： 437-447  発行年： 2022年 
JST資料番号： W1434A  ISSN： 1551-3203  CODEN： ITIICH  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： 一般化スパース非負行列因数分解(SNMF)は,情報を抽出し,産業応用,例えば推薦者システムやソーシャルネットワークから様々なタイプの確率的分布を持つスパースデータを表現するのに有用であることが証明されている。しかし,一般化SNMFに対する現在の解法は,全体スパース行列と因子行列の操作に基づいており,大規模中間データをもたらす。このように,これらのアプローチは,オンラインでスケーラブルな方法で,主流の産業と大きなデータプラットフォーム,例えばグラフィックス処理ユニット(GPU)とマルチGPUにおいて,高次元で疎なマトリックスを記述できない。これらの問題を克服するために,GPU(CUSNMF)とマルチGPU(MCUSNMF)に関するCUDA並列化のためのオンライン,スケーラブル,および単一スレッドベースのSNMFをこの論文で提案する。最初に,理論的導出を行い,CUSNMFが,関連する特徴タプルの積と和のみに依存することを実証した。次に,スパース行列のスパース性パターンに従うことができるコンパクト性は,オンライン学習能力とCUSNMFを与えて,微細粒度はGPUとマルチGPUに関して高い並列化可能性を与える。最後に,いくつかの実際の産業データセットに関する性能結果は,時間オーバヘッドと空間要求の線形スケーラビリティとオンライン学習への拡張の有効性を実証した。さらに,CUSNMFは,共有メモリプラットフォーム上の最先端の並列手法と比較して,P100GPU上で7Xの高速化を得た。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： 線形性 ,  高次元 ,  コンパクト性 ,  高速化 ,  有効性 ,  共有メモリ ,  *スパース行列
準シソーラス用語： オンライン学習 ,  スパース性 ,  オーバヘッド ,  社会的ネットワーク ,  GPU【プロセッサ】 ,  *オンライン ,  CUDA ,  *非負行列因子分解 , 【Automatic Indexing@JST】

分類 (2件)： 数値計算  (JE02000J) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： マルチ ,  GPU ,  産業応用 ,  一般化 ,  非負行列因数分解 ,  オンライン ,  モデル