文献

J-GLOBAL ID：202202237713408046   整理番号：22A0951951

ビッグデータおよびHPCフレームワークに関する確率的勾配降下ベースサポートベクトルマシン訓練最適化【JST・京大機械翻訳】

Stochastic gradient descent-based support vector machines training optimization on Big Data and HPC frameworks

著者 (12件)： Abeykoon Vibhatha (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Fox Geoffrey (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Kim Minje (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Ekanayake Saliya (Performance and Algorithm Research, Lawrence Berkeley National Laboratory, Berkeley, California, USA) ,  Kamburugamuve Supun (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Govindarajan Kannan (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Wickramasinghe Pulasthi (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Perera Niranda (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Widanage Chathura (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Uyar Ahmet (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Gunduz Gurhan (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA) ,  Akkas Selahatin (Intelligent Systems Engineering, Indiana University Bloomington, Bloomington, Indiana, USA)
資料名： Concurrency and Computation: Practice & Experience  (Concurrency and Computation: Practice & Experience)
巻： 34  号： 8  ページ： e6292  発行年： 2022年 
JST資料番号： W2542A  ISSN： 1532-0626  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： サポートベクトルマシン(SVM)は広く使われている機械学習アルゴリズムである。現在,研究データ量の増加により,効率的な訓練を行う方法の理解は,これまでより重要である。本論文は,SVM訓練のための高性能サポートを提供する性能最適化とベンチマークについて議論する。本研究では,コアSVMアルゴリズムを実装するための高度にスケーラブルな勾配降下ベースアプローチに焦点を当てた。スケーラブルな解決策の提供において,最適化高性能コンピューティングとデータフロー指向SVM実装を設計した。高性能コンピューティングアプローチは,アルゴリズムがバルク同期並列(BSP)モデルで実行されることを意味する。さらに,著者らは,顕著なHPCモデリングプログラミング言語(C++)とデータフローモデリングプログラミング言語(Java)に関する言語レベル最適化と数学カーネル最適化を分析した。実験では,古典的HPCモデル,古典的データフローモデル,および古典的HPCとデータフロープログラミングモデルに関して設計したハイブリッドモデルの性能を比較した。本研究は,古典的HPC,データフロー,およびハイブリッドシステムにおけるスケールにおけるSVMアルゴリズムの設計における科学的手法を説明した。Copyright 2022 Wiley Publishing Japan K.K. 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 ,  *最適化 ,  言語 ,  *データ ,  プログラミング言語 ,  ベンチマーク ,  C++言語 ,  機械学習 ,  学習アルゴリズム ,  Java ,  *サポートベクトルマシン
準シソーラス用語： プログラミングモデル ,  ハイブリッドモデル ,  データフロー ,  データ量 ,  *ビッグデータ , 【Automatic Indexing@JST】

著者キーワード (5件)： データフロー ,  高性能コンピューティング ,  ハイブリッドシステム ,  機械学習 ,  SVM

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (9件)： ビッグデータ ,  HPC ,  フレームワーク ,  確率 ,  勾配 ,  降下 ,  サポートベクトルマシン ,  訓練 ,  最適化