論文の概要: Super Monotonic Alignment Search

• arxiv url: http://arxiv.org/abs/2409.07704v1
• Date: Thu, 12 Sep 2024 02:13:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 18:02:00.551263
• Title: Super Monotonic Alignment Search
• Title（参考訳）: 超単調アライメント探索
• Authors: Junhyeok Lee, Hyeongju Kim,
• Abstract要約: モノトニックアライメントサーチ(MAS)は、テキストと音声の未知のアライメントを推定するアルゴリズムである。 超MASトリトンカーネルは極長の場合の72倍高速である。
• 参考スコア（独自算出の注目度）: 10.14415473317635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monotonic alignment search (MAS), introduced by Glow-TTS, is one of the most popular algorithm in TTS to estimate unknown alignments between text and speech. Since this algorithm needs to search for the most probable alignment with dynamic programming by caching all paths, the time complexity of the algorithm is $O(T \times S)$. The authors of Glow-TTS run this algorithm on CPU, and while they mentioned it is difficult to parallelize, we found that MAS can be parallelized in text-length dimension and CPU execution consumes an inordinate amount of time for inter-device copy. Therefore, we implemented a Triton kernel and PyTorch JIT script to accelerate MAS on GPU without inter-device copy. As a result, Super-MAS Triton kernel is up to 72 times faster in the extreme-length case. The code is available at \url{https://github.com/supertone-inc/super-monotonic-align}.
• Abstract（参考訳）: Glow-TTSによって導入されたモノトニックアライメントサーチ(MAS)は、テキストと音声の未知のアライメントを推定する最も一般的なアルゴリズムの1つである。 このアルゴリズムは、全てのパスをキャッシュすることで、動的プログラミングとの最も確率の高いアライメントを探索する必要があるので、アルゴリズムの時間複雑性は$O(T \times S)$である。 Glow-TTS の著者らは、このアルゴリズムを CPU 上で実行し、並列化は困難であると述べたが、MAS はテキスト長次元で並列化することができ、CPU の実行はデバイス間コピーに不規則な時間を消費することがわかった。 そこで我々はTritonカーネルとPyTorch JITスクリプトを実装し,デバイス間コピーなしでGPU上でMASを高速化した。 その結果、Super-MAS Tritonカーネルは極長の場合の72倍高速である。 コードは \url{https://github.com/supertone-inc/super-monotonic-align} で公開されている。

関連論文リスト

• Search-Based Regular Expression Inference on a GPU [0.0]
  正規表現推論(REI)は教師付き機械学習とプログラム合成の問題である。 正規表現のコストメトリックと、入力として文字列の正と負の例を取る。 本稿では,任意のアルファベットに対するREIの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:15Z)
• Fast and Efficient Matching Algorithm with Deadline Instances [7.613259578185218]
  まず、$mathrmdeadline$の市場モデルを紹介します。 最適化された2つのアルゴリズム(textscFastGreedy と textscFastPostponedGreedy)を提示する。 同時に、我々のアルゴリズムは元の2つのアルゴリズムよりも高速に動作します。
  論文  参考訳（メタデータ） (2023-05-15T05:21:20Z)
• Accelerating Barnes-Hut t-SNE Algorithm by Efficient Parallelization on Multi-Core CPUs [59.18990342943095]
  t-SNEは高次元データを視覚化するための最も一般的な埋め込み技術の一つである。 BH t-SNEアルゴリズムは既存のCPU実装では非効率である。 Acc-t-SNEはScikit-learnよりも最大261倍、4倍高速で、daal4pyの最先端のBH t-SNE実装である。
  論文  参考訳（メタデータ） (2022-12-22T06:38:40Z)
• Fast and parallel decoding for transducer [25.510837666148024]
  本研究では,トランスデューサ損失の制約付きバージョンを導入し,シーケンス間のモノトニックアライメントを厳密に学習する。 また、時間毎に出力できるシンボルの数を制限することで、標準の欲求探索とビーム探索アルゴリズムを改善した。
  論文  参考訳（メタデータ） (2022-10-31T07:46:10Z)
• Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
  EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。 本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T09:14:12Z)
• Results of the NeurIPS'21 Challenge on Billion-Scale Approximate Nearest Neighbor Search [57.18075258042082]
  このコンペティションは、ANNSアルゴリズムをハードウェアコスト、精度、性能で数十億ドル規模で比較する。 このコンペティションのために新たに4つの、60億の多様なデータセットをまとめました。
  論文  参考訳（メタデータ） (2022-05-08T02:41:54Z)
• A Push-Relabel Based Additive Approximation for Optimal Transport [5.111364864495785]
  最適な輸送を計算するための厳密なアルゴリズムは遅くなる。 我々は、OT距離の$varepsilon$approximationを求めるための、新しい非常に単純なアプローチを導入する。 我々のアルゴリズムは、OT距離を計算するために、O(n2/varepsilon2)$のほぼ最適実行時間を達成する。
  論文  参考訳（メタデータ） (2022-03-07T21:40:14Z)
• PLSSVM: A (multi-)GPGPU-accelerated Least Squares Support Vector Machine [68.8204255655161]
  Support Vector Machines (SVM) は機械学習で広く使われている。 しかし、現代的で最適化された実装でさえ、最先端ハードウェア上の大きな非自明な高密度データセットにはうまくスケールしない。 PLSSVMはLVMのドロップイン代替として使用できる。
  論文  参考訳（メタデータ） (2022-02-25T13:24:23Z)
• RAMA: A Rapid Multicut Algorithm on GPU [23.281726932718232]
  本稿では,マルチカット問題(マグニチュード相関クラスタリング)に対する高並列原始双対アルゴリズムを提案する。 我々のアルゴリズムは、最適距離を推定する原始解と双対下界を生成する。 最大$mathcalO(108)$変数を数秒で、小さな原始双対ギャップで、非常に大規模なベンチマーク問題を解くことができる。
  論文  参考訳（メタデータ） (2021-09-04T10:33:59Z)
• VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
  我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。 textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
  論文  参考訳（メタデータ） (2021-05-04T04:10:48Z)
• Linear Bandit Algorithms with Sublinear Time Complexity [67.21046514005029]
  既存の線形バンディットアルゴリズムを高速化し,arms $k$ でステップ毎の複雑性サブリニアを実現する。 提案するアルゴリズムは、いくつかの$alpha(t) > 0$ と $widetilde o(stt)$ regret に対して1ステップあたり$o(k1-alpha(t))$ の複雑さを達成することができる。
  論文  参考訳（メタデータ） (2021-03-03T22:42:15Z)

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。