Fugu-MT 論文翻訳(概要): GPU-Accelerated Optimizer-Aware Evaluation of Submodular Exemplar Clustering

論文の概要: GPU-Accelerated Optimizer-Aware Evaluation of Submodular Exemplar Clustering

arxiv url: http://arxiv.org/abs/2101.08763v1
Date: Thu, 21 Jan 2021 18:23:44 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 07:50:42.864360
Title: GPU-Accelerated Optimizer-Aware Evaluation of Submodular Exemplar Clustering
Title（参考訳）: GPU加速オプティマイザ-サブモジュール外乱クラスタリングの評価
Authors: Philipp-Jan Honysz, Sebastian Buschj\"ager, Katharina Morik
Abstract要約: サブモジュール関数の最適化は、クラスタリングを実行する実行可能な方法を構成する。強近似保証と実現可能な最適化 w.r.t. ストリーミングデータはこのクラスタリングアプローチが好都合です exemplarベースのクラスタリングは、可能なサブモジュラー関数の1つであるが、高い計算複雑性に苦しむ。半精度のGPU計算は、シングル精度のシングルスレッドCPU計算と比較して452倍の高速化を実現した。
参考スコア（独自算出の注目度）: 5.897728689802829
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The optimization of submodular functions constitutes a viable way to perform clustering. Strong approximation guarantees and feasible optimization w.r.t. streaming data make this clustering approach favorable. Technically, submodular functions map subsets of data to real values, which indicate how "representative" a specific subset is. Optimal sets might then be used to partition the data space and to infer clusters. Exemplar-based clustering is one of the possible submodular functions, but suffers from high computational complexity. However, for practical applications, the particular real-time or wall-clock run-time is decisive. In this work, we present a novel way to evaluate this particular function on GPUs, which keeps the necessities of optimizers in mind and reduces wall-clock run-time. To discuss our GPU algorithm, we investigated both the impact of different run-time critical problem properties, like data dimensionality and the number of data points in a subset, and the influence of required floating-point precision. In reproducible experiments, our GPU algorithm was able to achieve competitive speedups of up to 72x depending on whether multi-threaded computation on CPUs was used for comparison and the type of floating-point precision required. Half-precision GPU computation led to large speedups of up to 452x compared to single-precision, single-thread CPU computations.
Abstract（参考訳）: 部分モジュラ関数の最適化はクラスタリングを実行するための実行可能な方法を構成する。強近似保証と実現可能な最適化 w.r.t. ストリーミングデータはこのクラスタリングアプローチが好都合です技術的には、サブモジュラ関数はデータのサブセットを実際の値にマップする。最適なセットは、データ空間を分割し、クラスタを推論するために使われる。 exemplarベースのクラスタリングは、可能なサブモジュラー関数の1つであるが、高い計算複雑性に苦しむ。しかし、実用的なアプリケーションでは、特定のリアルタイムまたはウォールクロックのランタイムが決定的です。本稿では,GPU上での特定の機能の評価方法を提案する。これは最適化器の必要を念頭に置いて,ウォールタイムの実行時間を短縮する。我々は,データ次元やサブセット内のデータポイント数など,異なる実行時臨界問題特性の影響と,必要な浮動小数点精度の影響について検討した。再現可能な実験では,CPU上のマルチスレッド計算を比較対象とし,浮動小数点精度のタイプに応じて,最大72倍の競合高速化を実現した。半精度のGPU計算は、シングル精度のシングルスレッドCPU計算と比較して452倍の高速化を実現した。