抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
個人化推薦モデル(RecSys)は,ハイパースケールによりサービスされる最も一般的な機械学習作業負荷の1つである。訓練RecSysの重大な課題は,その高い記憶容量要求であり,モデルサイズのTBsに対して数百のGBに達する。RecSysにおいて,いわゆる埋込み層はメモリ利用の大部分を説明し,現在のシステムはメモリハンガリー埋込み層を記憶する大きなCPUメモリを持つハイブリッドCPU-GPU設計を採用する。残念ながら,訓練埋込みは,遅いCPUメモリとのオッズにあるいくつかのメモリ帯域幅集約演算を含み,性能オーバヘッドを引き起こす。CPUメモリへの埋込み層トラフィックをフィルタリングする手段として,GPUメモリ内に頻繁にアクセスするキャッシュをキャッシュするために提案した事前作業は,そのようなキャッシュ設計でいくつかの制限を観察した。本研究では,RecSysのための埋込みキャッシュの設計における基本的に異なるアプローチを示した。提案のScratch Pipeアーキテクチャは,RecSys訓練のユニークな特性を利用して,過去のだけでなく「未来」キャッシュアクセスを見るだけでなく,埋込みキャッシュを開発した。ScratchPipeは,埋込み層のアクティブな作業セットが,提案キャッシュ設計の中で捉えられることを保証するために,そのような特性を利用し,GPUメモリ速度において埋込み層訓練を行うことが可能である。【JST・京大機械翻訳】