A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

GPGPU Implementation of Variational Bayesian Gaussian Mixture Models Implementação GPGPU de modelos de mistura bayesiana gaussiana variacional

Hiroki NISHIMOTO, Renyuan ZHANG, Yasuhiko NAKASHIMA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A estratégia de implementação eficiente para acelerar algoritmos de agrupamento de alta qualidade é desenvolvida com base em unidades de processamento gráfico de uso geral (GPGPUs) neste trabalho. Entre vários algoritmos de agrupamento, um sofisticado modelo de mistura gaussiana (GMM), estimando parâmetros através do mecanismo bayesiano variacional (VB), é conduzido devido ao seu desempenho superior. Como a metodologia VB-GMM exige muita computação, o GPGPU é empregado para realizar cálculos matriciais massivos. Para migrar eficientemente os esquemas convencionais orientados a CPU do VB-GMM para plataformas GPGPU, um fluxo de migração completo com treze estágios é apresentado em detalhes. O esquema de cooperação CPU-GPGPU, reordenação de execução e otimização de acesso à memória são propostos para otimizar a utilização do GPGPU e maximizar a velocidade de clustering. Cinco tipos de aplicações do mundo real, juntamente com conjuntos de dados relevantes, são introduzidos para a validação cruzada. A partir dos resultados experimentais, verifica-se a viabilidade de implementação do algoritmo VB-GMM por GPGPU com benefícios práticos. A migração GPGPU proposta atinge uma aceleração máxima de 192x. Além disso, conseguiu identificar o número adequado de clusters, o que dificilmente é conduzido pelo algoritmo EM.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.3 pp.611-622
Data de publicação
2022/03/01
Publicitada
2021/11/24
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7121
Tipo de Manuscrito
PAPER
Categoria
Fundamentos de Sistemas de Informação

autores

Hiroki NISHIMOTO
  Nara Institute of Science and Technology
Renyuan ZHANG
  Nara Institute of Science and Technology
Yasuhiko NAKASHIMA
  Nara Institute of Science and Technology

Palavra-chave