Fugu-MT 論文翻訳(概要): GPU-Accelerated Bregman Douglas-Rachford Splitting for Discrete Optimal Transport

論文の概要: GPU-Accelerated Bregman Douglas-Rachford Splitting for Discrete Optimal Transport

arxiv url: http://arxiv.org/abs/2610.04715v1
Date: Sat, 03 Oct 2026 19:08:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-11 17:29:09.792074
Title: GPU-Accelerated Bregman Douglas-Rachford Splitting for Discrete Optimal Transport
Title（参考訳）: 離散的最適輸送のためのGPU高速化Bregman Douglas-Rachford分割
Abstract要約: 本稿では,GPUを高速化したBregman Douglas--Rachfordスプリッティングアルゴリズム(BDRS)を提案する。各入力形式に対して,BDRSの数学的等価表現のハードウェア対応設計を提案する。我々は、同じデバイス上の文献から8つのGPUベースラインソルバに対して提案された3つの実装をベンチマークする。
参考スコア（独自算出の注目度）: 9.67585020500461
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present GPU-accelerated Bregman Douglas--Rachford splitting algorithm (BDRS) for discrete optimal transport problem in three input formats: an explicit cost matrix, a point cloud with a ground cost between them, and a separable cost on a regular grid. For each input format, we propose hardware-aware designs of mathematically equivalent representations for the BDRS iterations to enhance numerical stability and empirical runtime. We benchmark the three proposed implementations against eight GPU baseline solvers from the literature on the same device. We demonstrate that our implementations of BDRS achieve state-of-the-art performance on their respective input formats. To the best of our knowledge, this is the first cross-solver study of GPU DOT solvers with a unified measure of optimality.
Abstract（参考訳）: 本稿では,GPUを高速化したBregman Douglas-Rachford分割アルゴリズム(BDRS)を提案する。各入力形式に対して,数値安定性と経験的ランタイムを向上させるため,BDRSイテレーションの数学的に等価な表現をハードウェアに認識する設計を提案する。我々は、同じデバイス上の文献から8つのGPUベースラインソルバに対して提案された3つの実装をベンチマークする。我々は,BDRSの実装により,各入力形式における最先端の性能が得られたことを実証する。我々の知る限りでは、これはGPU DOTソルバの最適度を統一したクロスゾルバ研究である。

関連論文リスト

BridgeMatch: Conditional Transport Bridges in Matching Matrix Space for 3D Deformable Registration [42.44006379209785]
本稿では,完全ソフトマッチング行列を粗度と高分解能の両方で維持する2段階生成解法を提案する。 4DMatchと4DLoMatchの実験では、どちらの変種も比較した方法よりも正確な対応を示し、下流での登録を改善する。また、CAPEとDeepDeformのクロスデータセットの一般化を、同じ変形解決器を使用しながら、ターゲットドメイン適応なしに改善する。
論文参考訳（メタデータ） (2026-09-10T12:39:58Z)
Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
論文参考訳（メタデータ） (2026-02-26T11:08:39Z)
Learning Sparse Approximate Inverse Preconditioners for Conjugate Gradient Solvers on GPUs [25.22023084590467]
共役勾配解法 (CG) は対称および正定値線形系 Ax=b を解くための一般的な方法である。既存の学習ベースの手法では、しばしばグラフニューラルネットワーク(GNN)を使用して、性能を改善し、構築を高速化する。本稿では,GPUフレンドリなプリコンディショナを生成する学習ベース手法を提案し,特にGNNを用いてSPAI(スパース近似逆)プリコンディショナを構築する。
論文参考訳（メタデータ） (2025-10-31T14:42:48Z)
Investigating Matrix Repartitioning to Address the Over- and Undersubscription Challenge for a GPU-based CFD Solver [0.688204255655161]
既存のアプローチは、完全にあるいはプラグインベースのGPUソルバを使用しており、それぞれがパフォーマンスと開発努力のトレードオフに直面している。本稿では、CPU行列アセンブリとGPUベースの線形解のバランスを改善するための分割戦略を提案する。提案手法は, オーバーサブスクライブ問題を大幅に軽減し, ソルバ性能の向上と資源利用率の向上を図っている。
論文参考訳（メタデータ） (2025-10-09T17:53:12Z)
DeepPrune: Parallel Scaling without Inter-trace Redundancy [53.62015294143274]
並列推論トレースの80%以上は、実質的な無駄な計算を代表して、同じ最終回答をもたらす。動的プルーニングによる効率的な並列スケーリングを実現する新しいフレームワークであるDeepPruneを提案する。我々の研究は並列推論のための新しい標準を確立し、高性能推論をより効率的にする。
論文参考訳（メタデータ） (2025-10-09T17:24:54Z)
NGPU-LM: GPU-Accelerated N-Gram Language Model for Context-Biasing in Greedy ASR Decoding [54.88765757043535]
この研究は、統計的なn-gram言語モデルのデータ構造を再考し、GPU最適化推論の高速かつ並列な操作を可能にする。我々のアプローチは NGPU-LM と呼ばれ、7% 未満の計算オーバーヘッドを持つ全ての主要な ASR モデルに対して、カスタマイズ可能なgreedy decoding を導入している。提案手法は,ビーム探索による顕著な遅延を回避しつつ,greedy と beam search の精度ギャップの50%以上を排除できる。
論文参考訳（メタデータ） (2025-05-28T20:43:10Z)
FastDOG: Fast Discrete Optimization on GPU [23.281726932718232]
本稿では,構造化予測で発生する0-1整数線形プログラムを解くために,並列に並列なラグランジュ分解法を提案する。我々の原始的アルゴリズムと双対アルゴリズムは、サブプロブレムとBDDに対する最適化の同期をほとんど必要としません。問題に依存しない状態で、最先端の特殊アルゴリズムに近づいたり、優れていたりします。
論文参考訳（メタデータ） (2021-11-19T15:20:10Z)
EZLDA: Efficient and Scalable LDA on GPUs [0.0]
LDAは、幅広い応用を持つトピックモデリングの統計的アプローチである。 EZLDAは、メモリ消費を抑える最先端の試みよりも優れた性能を実現する。
論文参考訳（メタデータ） (2020-07-17T02:40:03Z)
Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文参考訳（メタデータ） (2020-06-18T08:16:25Z)
MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
論文参考訳（メタデータ） (2020-04-16T16:20:53Z)
Holistically-Attracted Wireframe Parsing [123.58263152571952]
本稿では,入力画像中のベクトル化ワイヤフレームを1つのフォワードパスで検出する高速で類似的な解析手法を提案する。提案手法は, (i) ラインセグメントとジャンクション提案生成, (ii) ラインセグメントとジャンクションマッチング, (iii) ラインセグメントとジャンクション検証の3つのコンポーネントから構成される。
論文参考訳（メタデータ） (2020-03-03T17:43:57Z)

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。