GPU上でのギガスケールカーネル行列ベクトル乗算【JST・京大機械翻訳】

Hu Robert; Chau Siu Lun; Sejdinovic Dino; Glaunes Joan Alexis

プレプリント

J-GLOBAL ID：202202213816257989 整理番号：22P0283697

GPU上でのギガスケールカーネル行列ベクトル乗算【JST・京大機械翻訳】

Giga-scale Kernel Matrix Vector Multiplication on GPU

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月02日プレプリントサーバーでの情報更新日： 2022年10月12日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

カーネルマトリックスベクトル乗算(KMVM)は,機械学習と科学的コンピューティングにおける基礎操作である。しかしながら,KMVMはメモリと時間の両方で二次的にスケールする傾向があるので,アプリケーションはしばしばこれらの計算制約によって制限される。本論文では,高 ̄(10 ̄8 ̄8≦10 ̄9)および皮膚 ̄(D≦7)データに対するKMVMのこれらのスケーリング問題に取り組むために,新しい近似手順coinedFaster-Fastおよび自由メモリ法(f3m)を提案した。広範な実験は,f3mが,次数10 ̄-3の相対誤差で,経験的線形時間とメモリ複雑性を有し,そして,既存のCPU法と比較して,大きなスピードアップをもたらす,高エンドGPUの下で10億ポイントで,完全なKMVMを計算することができることを証明した。最先端のGPUベース線形ソルバFALKONに対するドロップインとしての適用により,精度の<1%のドロップのコストを1.5~5.5倍改善した。さらに,多様な実世界データセット上で重要な高速化と結合したGaussプロセス回帰に関する競合結果を示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

数値計算 , 専用演算制御装置

, , ,

前のページに戻る