論文の概要: GPUMAP: GPU-Accelerated Progressive Uniform Manifold Approximation and Projection
- arxiv url: http://arxiv.org/abs/2611.06191v1
- Date: Wed, 04 Nov 2026 09:05:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.036711
- Title: GPUMAP: GPU-Accelerated Progressive Uniform Manifold Approximation and Projection
- Title（参考訳）: GPUMAP: GPUによるプログレッシブな一様多様体近似と投影
- Abstract要約: GPUMAPはインタラクティブな使用のために設計された効率的なプログレッシブDRアルゴリズムである。
提案手法は, 地中構造予測に対して時間とともにプロジェクションがどのように進化し, 偏りのあるデータストリームが生成したプロジェクションの品質と安定性にどのように影響するかを考察する。
- 参考スコア（独自算出の注目度）: 2.9551564832381803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dimensionality reduction (DR) techniques are fundamental to the analysis of high-dimensional data, yet their substantial computational cost limits their use in interactive settings. To address this limitation, we present GPU-accelerated Progressive Uniform Manifold Approximation and Projection (GPUMAP), an efficient progressive DR algorithm designed for interactive use. We identify three atomic operations within UMAP and restructure them into a progressive pipeline. As part of this adaptation, we introduce modifications to UMAP, including operation queues, instance-wise local join, and scheduling strategies. We further accelerate computation by leveraging GPU parallelism, enabling interactive analysis of million-scale datasets on commodity GPU hardware. Finally, we employ our implementation to systematically study the behavior of progressive DR, investigating how projections evolve over time relative to the ground-truth projection and how biased data streams influence the quality and stability of the resulting projections.
- Abstract（参考訳）: 次元性低減(DR)技術は高次元データの解析に基本的であるが、その計算コストは対話的な設定での使用を制限する。
この制限に対処するため,GPUMAP (Progressive Uniform Manifold Approximation and Projection) を提案する。
UMAP内の3つの原子操作を特定し、それらをプログレッシブパイプラインに再構成する。
この適応の一環として、運用キュー、インスタンスワイドローカル結合、スケジューリング戦略を含む、UMAPの修正を導入する。
我々は、GPU並列性を活用して計算をさらに加速し、コモディティGPUハードウェア上で100万規模のデータセットをインタラクティブに分析することを可能にする。
最後に, プログレッシブDRの挙動を体系的に研究し, 地中構造予測に対する時間とともにプロジェクションがどのように進化するか, バイアスデータストリームが生成したプロジェクションの品質と安定性にどのように影響するかを考察する。
関連論文リスト
- GPU-accelerated Incremental Euclidean Distance Transform for Online Motion Planning of Mobile Robots [23.68551374354814]
本稿では,OGM(Occupancy Grid Maps)とEDT(Euclidean Distance Transforms)を並列計算で計算するマッピングシステムを提案する。
提案システムでは,複数種類のセンサ入力から大量のデータを抽出してOGMを構築する。
GPUプログラミング技術を用いて、システムはローカルボリューム内でEDTを高速に並列に計算する。
論文 参考訳（メタデータ） (2026-10-30T12:35:49Z) - FG-ConvNO: A Geometry-Aware Neural Operator for Propeller CFD Prediction [73.25252821263845]
計算力学(CFD)は現代工学設計において不可欠であるが、計算コストは高い。
科学モデリングのための機械学習の最近の進歩は強力なサロゲートフレームワークに繋がった。
限られたトレーニングデータの下でのロバストな幾何認識一般化のためのFG-ConvNO(Factized Geometry Convolutional Neural Operator)を提案する。
論文 参考訳（メタデータ） (2026-10-24T05:21:25Z) - Accelerating Large-scale Bundle Adjustment for LiDAR Mapping via Parallel Computing [11.183148854053066]
LiDARバンドルの調整は、グローバルに一貫した点クラウドマップを構築するために、マッピングに広く利用されている。
大規模マッピングのためのLiDARバンドル調整を高速化する,最初の完全並列計算フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-14T12:43:05Z) - GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions [54.570944939061555]
本稿では,GPU加速グラフに基づくベクトル探索アルゴリズムについて包括的に研究する。
我々は、GPU最適化戦略の詳細な分類を確立し、アルゴリズムタスクとハードウェア実行ユニット間のマッピングを明確にする。
我々の発見は、スケーラブルで堅牢なGPUベースの近接検索システムを設計するための明確なガイドラインを提供する。
論文 参考訳（メタデータ） (2026-02-10T16:18:04Z) - nuGPR: GPU-Accelerated Gaussian Process Regression with Iterative Algorithms and Low-Rank Approximations [3.8715578341717207]
本稿では,GPRトレーニングに伴う高コストの課題に対処する新しいフレームワークであるnuGPRを提案する。
我々のフレームワークは、GPRの重要なステップにおける計算量を削減するために、数値線形代数からのいくつかのアイデアを含んでおり、それらを組み合わせてエンドツーエンドのトレーニングアルゴリズムを確立する。
nuGPRは、さまざまな合成および実世界のデータセット上で、トレーニング時間を最大2倍、ピークメモリ消費を最大12倍削減する。
論文 参考訳（メタデータ） (2025-10-14T04:06:02Z) - SPEED: Streaming Partition and Parallel Acceleration for Temporal
Interaction Graph Embedding [22.68416593780539]
本稿では,時間的相互作用グラフ埋め込みのためのストリームエッジ分割と並列高速化という,新たなトレーニング手法を提案する。
提案手法は,計算資源,計算時間,下流タスク性能のバランスが良好である。
7つの実世界のデータセットにまたがる実証的な検証は、トレーニング速度を最大19.29倍に向上させる可能性を実証している。
論文 参考訳（メタデータ） (2023-08-27T15:11:44Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Understanding the Effects of Data Parallelism and Sparsity on Neural
Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。
有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文 参考訳（メタデータ） (2020-03-25T10:49:22Z) - Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。
我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。
特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
論文 参考訳（メタデータ） (2020-03-17T03:52:17Z) - Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。
我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。
これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
論文 参考訳（メタデータ） (2020-02-10T04:23:09Z)
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。