An efficient parallel implementation for training supervised optimum-path forest classifiers

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidad Católica San Pablo-
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.contributorUniversidade Estadual de Campinas (UNICAMP)-
Autor(es): dc.creatorCulquicondor, Aldo-
Autor(es): dc.creatorBaldassin, Alexandro [UNESP]-
Autor(es): dc.creatorCastelo-Fernández, Cesar-
Autor(es): dc.creatorde Carvalho, João P.L.-
Autor(es): dc.creatorPapa, João Paulo [UNESP]-
Data de aceite: dc.date.accessioned2022-02-22T00:34:19Z-
Data de disponibilização: dc.date.available2022-02-22T00:34:19Z-
Data de envio: dc.date.issued2020-12-11-
Data de envio: dc.date.issued2020-12-11-
Data de envio: dc.date.issued2020-06-14-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1016/j.neucom.2018.10.115-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/201723-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/201723-
Descrição: dc.descriptionIn this work, we propose and analyze parallel training algorithms for the Optimum-Path Forest (OPF) classifier. We start with a naïve parallelization approach where, following traditional sequential training that considers the supervised OPF, a priority queue is used to store the best samples at each learning iteration. The proposed approach replaces the priority queue with an array and a linear search aiming at using a parallel-friendly data structure. We show that this approach leads to less competition among threads, thus yielding a more temporal and spatial locality. Additionally, we show how the use of vectorization in distance calculations affects the overall speedup and also provide directions on the situations one can benefit from that. The experiments are carried out on five public datasets with a different number of samples and features on architectures with distinct levels of parallelism. On average, the proposed approach provides speedups of up to 11.8 × and 26 × in a 24-core Intel and 64-core AMD processors, respectively.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionUniversidad Católica San Pablo-
Descrição: dc.descriptionUNESP – São Paulo State University-
Descrição: dc.descriptionInstitute of Computing University of Campinas-
Descrição: dc.descriptionUNESP – São Paulo State University-
Descrição: dc.descriptionFAPESP: #2013/07375-0-
Descrição: dc.descriptionFAPESP: #2014/12236-1-
Descrição: dc.descriptionFAPESP: #2014/16250-9-
Descrição: dc.descriptionFAPESP: #2016/15337-9-
Descrição: dc.descriptionFAPESP: #2016/19403-6-
Descrição: dc.descriptionFAPESP: #2017/03940-5-
Descrição: dc.descriptionCNPq: #306166/2014-3-
Descrição: dc.descriptionCNPq: #307066/2017-7-
Descrição: dc.descriptionCAPES: 2966/2014-
Formato: dc.format259-268-
Idioma: dc.languageen-
Relação: dc.relationNeurocomputing-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectGraph algorithms-
Palavras-chave: dc.subjectOptimum-path forest-
Palavras-chave: dc.subjectParallel algorithms-
Título: dc.titleAn efficient parallel implementation for training supervised optimum-path forest classifiers-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.