Parallel Learning of Sequential Graphical Models [Romanian]

Original in English by Lei Li

Studiu paralel a modelelor secvenţiale grafice

Prezentare | Oameni | Publicații  | Descărcări | Contacte]


Prezentare

image003

Numărul de nuclee într-un singur chip prelungesc să crească în ultimii ani, și încă nu există nici o bază bună pentru învăţare de mașină pentru a profita de calcul multi-nuclear. Cât de multă accelerare am putea obţine pentru o clasă mai generală de algoritmi de învățare, în special pentru mașina de învăţare a algoritmilor pe modele grafice?

În acest proiect, noi planificăm sa investigăm cît de mult paralelism am putea exploata în maşină de învăţare a algoritmilor în modele grafice cu procesoare multi-core. Noi ne vom concentra pe algoritmi de inferenţă pentru ambele bayesiene de reţea şi domenii aleatoare lui Markov. Vom investiga, de asemenea, algoritmi de învatare în modele grafice, cum ar fi algoritmi de așteptare-maximizare si algoritmii lui Markov a lanţului Monte Carlo.

Scopul este de a proiecta şi implementa eficient algoritm de învăţare paralelă pentru modele secvenţiale grafice, cum ar fi modele ascunse lui Markov (HMM – hidden Markov models) şi a sistemelor liniare dinamice (LDS – linear dynamical systems). LDS (sau filter lui Kalman) este foarte util în capturarea mișcării  , urmărire vizuală, recunoaştere vorbirii, studiile cantitative de pe pieţele financiare, detectare a intruziunilor de reţea, previziuni, etc.

Acest proiect este provenit de la un proiect de curs de Arhitectura calculatoarelor 15740. Daca sunteți interesați, puteti găsi pagina proiectului aici (ne pare rău, vizibilă doar în cadrul CMU).

MULŢUMIRI PENTRU FINANŢARE:

Acest material este bazat pe munca susținută de Fundația Națională pentru Știință acordată grantul Nr IIS-0326322. Informațiile folosite în acest proiect a fost obţinute de la mocap.cs.cmu.edu susţinute de FSN EIA-0196217. Orice opinii, constatări, concluzii şi recomandări exprimate în acest material sunt cele ale autorului (autorilor) şi nu reflectă neapărat punctul de vedere al National Science Foundation, sau altor părţi de finanţare.

Oameni

Publicații

1.      Lei Li, Wenjie Fu, Fan Guo, Todd C. Mowry, and Christos Faloutsos. Cut-And-Stitch: Efficient Parallel Learning of Linear Dynamical Systems on SMPs. ACM KDD ?8, Las Vegas, Nevada, USA, 2008. [pdf] [BiBTeX]

      * Errata:  There was a typo in Equation 37, page 4 in the original kdd version. The software source code is correct.

Descărcări

  • Setul de date (vă rugăm să ne recunoaşteţi uşor în munca ta care rezultă)

o   propunere de captare de setul de date prelucrate  [ Descarca ]

  • Prezentare: [ PPT ] [ Poster ]

  • Software: C + + codul sursă [ Descărcați ] (care rulează pe fedora 7, sau mai sus de versiunea gcc 4.2.0)

Contacte

Sugestii sau orice comentarii sunt binevenite. Vă rugăm să le trimiteţi la Lei Li la FACEȚI CLICK AICI @cs.cmu.edu (blocarea de spam e furnizată de proiectul reCAPTCHA)

ok ok