文献

J-GLOBAL ID：201702281664365013   整理番号：17A0414266

H PARAFAC:多次元ビッグデータの階層的並列因子分析【Powered by NICT】

H-PARAFAC: Hierarchical Parallel Factor Analysis of Multidimensional Big Data

著者 (5件)： Chen Dan (State Key Lab of Software Engineering, Wuhan University, Wuhan, China) ,  Hu Yangyang (School of Computer Science, University of California Riverside, Riverside, CA) ,  Wang Lizhe (School of Computer Science, China University of Geosciences, Wuhan, China) ,  Zomaya Albert Y. (School of Information Technologies, University of Sydney, Sydney, NSW, Australia) ,  Li Xiaoli (National Key Laboratory of Cognitive Neuroscience and Learning, Beijing Normal University, Beijing, China)
資料名： IEEE Transactions on Parallel and Distributed Systems  (IEEE Transactions on Parallel and Distributed Systems)
巻： 28  号： 4  ページ： 1091-1104  発行年： 2017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： に埋め込まれた多元要因を抽出することにより,雑音とintereferencesの高レベルにより影響を受けた大規模多次元データを調べるために種々の分野で重要な課題となっている。ビッグデータ時代におけるデータスケールと次元の迅速増加とともに,研究課題は,(1)因数分解手順において,重要な歪曲を導入していない一方,大きなテンソルの動力学を反映し,(2)洗練された応用における雑音の影響を取扱うために生じる。H PARAFAC,GPUクラスタ上での階層的並列処理フレームワークは並列因子分析(PARAFAC)の「分割統治」理論に大きなテンソルのスケーラブルな因数分解を可能にするために開発した。H PARAFACフレームワークは,各サブテンソルと融合サブ因子を計算するためのサブテンソルと細粒度並列モデルの処理を調整するための粗粒モデルを組み込んでいる。実験結果は,(1)本手法は,多次元データのスケールの制限を破る因数分解であり,両方のスケーラビリティと効率の点で従来の対応技術よりも優れている,例えば,データ量はn~3の順で増加すると実行時間はn~2の順に増加し,(2)H PARAFACは顕著な雑音の影響を控えの可能性,(3)H PARAFACが大きいテンソルの多重モードの特徴を保存する従来のウィンドウベース対応物よりもはるかに優れていることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 多モード ,  並列処理 ,  因数分解 ,  *因子分析 ,  テンソル ,  雑音 ,  *高次元
準シソーラス用語： 実行時間 ,  データ量 ,  粗粒モデル ,  細粒度 ,  ガバナンス ,  *PARAFAC ,  多次元データ ,  *ビッグデータ , 【Automatic Indexing@JST】

分類 (1件)： ディジタル計算機方式一般  (JC02010O)

タイトルに関連する用語 (4件)： PARAFAC ,  多次元 ,  ビッグデータ ,  因子分析