論文の概要: Scaling up ridge regression for brain encoding in a massive individual fMRI dataset

• arxiv url: http://arxiv.org/abs/2403.19421v1
• Date: Thu, 28 Mar 2024 13:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 16:14:04.119105
• Title: Scaling up ridge regression for brain encoding in a massive individual fMRI dataset
• Title（参考訳）: 大規模fMRIデータセットにおける脳エンコーディングの隆起回帰のスケールアップ
• Authors: Sana Ahmadi, Pierre Bellec, Tristan Glatard,
• Abstract要約: 本稿では,リッジ回帰を伴う脳エンコーディングの訓練時間を短縮するために,異なる並列化手法を評価する。 マルチスレッドでは、Intel Math Kernel Library (MKL) がOpenBLASライブラリを著しく上回っている。 本稿では,時間複雑性解析に動機づけられたDask並列化の"バッチ"バージョンを提案する。
• 参考スコア（独自算出の注目度）: 1.740992908651449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain encoding with neuroimaging data is an established analysis aimed at predicting human brain activity directly from complex stimuli features such as movie frames. Typically, these features are the latent space representation from an artificial neural network, and the stimuli are image, audio, or text inputs. Ridge regression is a popular prediction model for brain encoding due to its good out-of-sample generalization performance. However, training a ridge regression model can be highly time-consuming when dealing with large-scale deep functional magnetic resonance imaging (fMRI) datasets that include many space-time samples of brain activity. This paper evaluates different parallelization techniques to reduce the training time of brain encoding with ridge regression on the CNeuroMod Friends dataset, one of the largest deep fMRI resource currently available. With multi-threading, our results show that the Intel Math Kernel Library (MKL) significantly outperforms the OpenBLAS library, being 1.9 times faster using 32 threads on a single machine. We then evaluated the Dask multi-CPU implementation of ridge regression readily available in scikit-learn (MultiOutput), and we proposed a new "batch" version of Dask parallelization, motivated by a time complexity analysis. In line with our theoretical analysis, MultiOutput parallelization was found to be impractical, i.e., slower than multi-threading on a single machine. In contrast, the Batch-MultiOutput regression scaled well across compute nodes and threads, providing speed-ups of up to 33 times with 8 compute nodes and 32 threads compared to a single-threaded scikit-learn execution. Batch parallelization using Dask thus emerges as a scalable approach for brain encoding with ridge regression on high-performance computing systems using scikit-learn and large fMRI datasets.
• Abstract（参考訳）: 神経画像データを用いた脳のエンコーディングは、映画フレームのような複雑な刺激特徴から直接人間の脳活動を予測することを目的とした確立された分析である。 通常、これらの特徴は人工ニューラルネットワークからの潜在空間表現であり、刺激は画像、音声、テキスト入力である。 リッジ回帰は、サンプル外一般化性能がよいため、脳エンコーディングの一般的な予測モデルである。 しかし,脳活動の時空間サンプルを含む大規模機能的磁気共鳴画像(fMRI)データセットを扱う場合,隆起回帰モデルのトレーニングには非常に時間がかかる可能性がある。 本稿では,現在利用可能な最深部fMRIリソースの1つであるCNeuroMod Friendsデータセット上で,リッジ回帰による脳エンコーディングのトレーニング時間を削減するために,異なる並列化手法を評価した。 マルチスレッドでは、Intel Math Kernel Library (MKL) がOpenBLASライブラリよりも大幅に優れ、1台のマシンで32スレッドを使用すれば1.9倍高速であることを示す。 そこで我々は,Scikit-Lern(MultiOutput)で容易に利用できるリッジレグレッションのDalkマルチCPU実装を評価し,時間複雑性解析によるDalk並列化の"バッチ"バージョンを提案した。 理論的解析の結果、マルチアウトプット並列化は非現実的、すなわち1台のマシン上でのマルチスレッドよりも遅いことが判明した。 対照的に、Batch-MultiOutputのレグレッションは計算ノードとスレッド間でうまくスケールし、シングルスレッドのScikit-learn実行と比較して8つの計算ノードと32スレッドで最大33倍のスピードアップを実現した。 Daskを用いたバッチ並列化は、Scikit-learnと大きなfMRIデータセットを使用した高性能コンピューティングシステムにおいて、リッジレグレッションを伴う脳エンコーディングのためのスケーラブルなアプローチとして現れる。

関連論文リスト

• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
  学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。 テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。 LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。 提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
  論文  参考訳（メタデータ） (2024-02-27T14:21:56Z)
• Harnessing Manycore Processors with Distributed Memory for Accelerated Training of Sparse and Recurrent Models [43.1773057439246]
  現在のAIトレーニングインフラストラクチャは、単一の命令多重データ(SIMD)とシストリック配列アーキテクチャによって支配されている。 分散ローカルメモリを用いた大規模並列多重命令型マルチデータアーキテクチャにおけるスパース・リカレントモデルトレーニングについて検討する。
  論文  参考訳（メタデータ） (2023-11-07T23:18:35Z)
• Tensor Slicing and Optimization for Multicore NPUs [2.670309629218727]
  本稿では,Slicing Optimization (TSO) と呼ばれるマルチコアNPUに対するコンパイラ最適化パスを提案する。 TSOは、一連のCNNモデルの実行時間を最小化する最高のテンソルスライシングを特定する。 その結果、TSOは一連のCNNモデルの実行時間を最小化する最適なテンソルスライシングを識別できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T12:03:03Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
  様々なディープニューラルネットワークモデルの高速化性能を解析する。 我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。 我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
  論文  参考訳（メタデータ） (2022-05-02T20:43:14Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Recurrence-free unconstrained handwritten text recognition using gated fully convolutional network [2.277447144331876]
  制約のない手書きテキスト認識は、ほとんどのドキュメント分析タスクの主要なステップです。 LSTM細胞を使用する別の方法の1つは、畳み込み層を多用して長期記憶損失を補うことである。 我々は、よく知られたCNN+LSTMアーキテクチャの再発のない代替であるGated Fully Convolutional Networkアーキテクチャを紹介します。
  論文  参考訳（メタデータ） (2020-12-09T10:30:13Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。