論文の概要: GSGP-CUDA -- a CUDA framework for Geometric Semantic Genetic Programming

• arxiv url: http://arxiv.org/abs/2106.04034v1
• Date: Tue, 8 Jun 2021 00:58:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 07:41:19.444081
• Title: GSGP-CUDA -- a CUDA framework for Geometric Semantic Genetic Programming
• Title（参考訳）: 幾何意味遺伝プログラミングのためのCUDAフレームワークGSGP-CUDA
• Authors: Leonardo Trujillo, Jose Manuel Mu\~noz Contreras, Daniel E Hernandez, Mauro Castelli and Juan J Tapia
• Abstract要約: Geometric Semantic Genetic Programming (GSGP) は進化計算に基づく最先端の機械学習手法である。 C++におけるGSGPの効率的な実装は、この事実を悪用するが、その潜在能力は十分ではない。 結果は、最先端のシーケンシャル実装と比較して1000倍以上のスピードアップを示す。
• 参考スコア（独自算出の注目度）: 2.275405513780208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric Semantic Genetic Programming (GSGP) is a state-of-the-art machine learning method based on evolutionary computation. GSGP performs search operations directly at the level of program semantics, which can be done more efficiently then operating at the syntax level like most GP systems. Efficient implementations of GSGP in C++ exploit this fact, but not to its full potential. This paper presents GSGP-CUDA, the first CUDA implementation of GSGP and the most efficient, which exploits the intrinsic parallelism of GSGP using GPUs. Results show speedups greater than 1,000X relative to the state-of-the-art sequential implementation.
• Abstract（参考訳）: Geometric Semantic Genetic Programming (GSGP) は進化計算に基づく最先端の機械学習手法である。 GSGPはプログラムセマンティクスのレベルで直接検索操作を行い、より効率的に実行し、ほとんどのGPシステムのように構文レベルで操作することができる。 C++におけるGSGPの効率的な実装は、この事実を悪用しているが、その潜在能力は十分ではない。 本稿では、gpuを用いたgsgpの並列性を利用した、gsgpの最初のcuda実装であり、最も効率的であるgsgp-cudaを提案する。 結果は、最先端のシーケンシャル実装と比較して1000倍以上のスピードアップを示す。

関連論文リスト

• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• A Lanczos approach to the Adiabatic Gauge Potential [0.0]
  断熱ゲージポテンシャル (AGP) は、断熱変形の下でハミルトンの固有系が変化する速度を測定する。 このアプローチのバージョンは、Lanczosアルゴリズムを用いて、KrylovベクトルとAGPノルムでAGP演算子を評価することで、Lanczos係数でAGPノルムを評価する。
  論文  参考訳（メタデータ） (2023-02-14T18:18:21Z)
• Functional Code Building Genetic Programming [0.0]
  Code Building Genetic Programming (CBGP)は、最近導入された汎用プログラム合成のためのGP法である。 関数型プログラミング言語とHendley-Milner型システムは,型安全性プログラムの進化に有効であることを示す。
  論文  参考訳（メタデータ） (2022-06-09T15:22:33Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Accelerating Genetic Programming using GPUs [0.0]
  遺伝的プログラミング(GP)は、曲線フィッティング、データモデリング、特徴選択、分類など、機械学習に複数の応用がある。 本稿では,代用GPアルゴリズムのGPUアクセラレーションスタックに基づく変種について述べる。
  論文  参考訳（メタデータ） (2021-10-15T06:13:01Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Solving classification problems using Traceless Genetic Programming [0.0]
  トレースレス遺伝的プログラミング(TGP)は、現実の難解な問題を解くために用いられる新しい遺伝的プログラミング(GP)である。 本稿では, ProBEN1 から抽出した実世界の分類問題の解法として TGP を用いる。
  論文  参考訳（メタデータ） (2021-10-07T06:13:07Z)
• Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems [1.9493449206135294]
  トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。
  論文  参考訳（メタデータ） (2021-10-07T05:55:55Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。