FPGASVM：加速核化支持向量机的框架

穆达尔·本·拉比阿, 克里斯托斯-萨瓦斯·布加尼斯
2016年KDD大数据、流数据和异构源挖掘国际研讨会：算法、系统、编程模型和应用, PMLR 53:68-84, 2016。

摘要

支持向量机 (SVM) 是机器学习中强大的监督学习方法。然而，由于耗时的训练阶段，其计算成本随着样本数量的增加而呈二次方增长，因此其在需要频繁重新训练系统的规模化问题中的适用性受到限制。 在这项工作中，提出了一种用于使用集成学习的核化 SVM 训练的完整的 FPGA 系统。 提出的框架建立在 FPGA 架构之上，利用级联多精度训练流程，通过调整所使用的数字表示来利用训练问题中的异质性，并支持针对每个内部存储结构调整的集成训练，从而解决非常大的数据集。 其性能评估表明，与最先进的 CPU 和 GPU 实现相比，所提出的系统实现了超过一个数量级的更好结果，为研究人员和实践者解决需要频繁重新训练的大规模 SVM 问题奠定了基础。

引用本文

BibTeX
@InProceedings{pmlr-v53-rabieah16, title = {FPGASVM：加速核化支持向量机的框架}, author = {Bin Rabieah, Mudhar and Bouganis, Christos-Savvas}, booktitle = {2016年KDD大数据、流数据和异构源挖掘国际研讨会：算法、系统、编程模型和应用}, pages = {68--84}, year = {2016}, editor = {Fan, Wei and Bifet, Albert and Read, Jesse and Yang, Qiang and Yu, Philip S.}, volume = {53}, series = {机器学习研究会议论文集}, address = {美国加利福尼亚州旧金山}, month = {14 Aug}, publisher = {PMLR}, pdf = {https://pmlr.com.cn/v53/rabieah16.pdf}, url = {https://pmlr.com.cn/v53/rabieah16.html}, abstract = {支持向量机 (SVM) 是机器学习中强大的监督学习方法。然而，由于耗时的训练阶段，其计算成本随着样本数量的增加而呈二次方增长，因此其在需要频繁重新训练系统的规模化问题中的适用性受到限制。 在这项工作中，提出了一种用于使用集成学习的核化 SVM 训练的完整的 FPGA 系统。 提出的框架建立在 FPGA 架构之上，利用级联多精度训练流程，通过调整所使用的数字表示来利用训练问题中的异质性，并支持针对每个内部存储结构调整的集成训练，从而解决非常大的数据集。 其性能评估表明，与最先进的 CPU 和 GPU 实现相比，所提出的系统实现了超过一个数量级的更好结果，为研究人员和实践者解决需要频繁重新训练的大规模 SVM 问题奠定了基础。} }
Endnote
%0 会议论文 %T FPGASVM：加速核化支持向量机的框架 %A Mudhar Bin Rabieah %A Christos-Savvas Bouganis %B 2016年KDD大数据、流数据和异构源挖掘国际研讨会：算法、系统、编程模型和应用 %C 机器学习研究会议论文集 %D 2016 %E Wei Fan %E Albert Bifet %E Jesse Read %E Qiang Yang %E Philip S. Yu %F pmlr-v53-rabieah16 %I PMLR %P 68--84 %U https://pmlr.com.cn/v53/rabieah16.html %V 53 %X 支持向量机 (SVM) 是机器学习中强大的监督学习方法。然而，由于耗时的训练阶段，其计算成本随着样本数量的增加而呈二次方增长，因此其在需要频繁重新训练系统的规模化问题中的适用性受到限制。 在这项工作中，提出了一种用于使用集成学习的核化 SVM 训练的完整的 FPGA 系统。 提出的框架建立在 FPGA 架构之上，利用级联多精度训练流程，通过调整所使用的数字表示来利用训练问题中的异质性，并支持针对每个内部存储结构调整的集成训练，从而解决非常大的数据集。 其性能评估表明，与最先进的 CPU 和 GPU 实现相比，所提出的系统实现了超过一个数量级的更好结果，为研究人员和实践者解决需要频繁重新训练的大规模 SVM 问题奠定了基础。
RIS
TY - CPAPER TI - FPGASVM：加速核化支持向量机的框架 AU - Mudhar Bin Rabieah AU - Christos-Savvas Bouganis BT - 2016年KDD大数据、流数据和异构源挖掘国际研讨会：算法、系统、编程模型和应用 DA - 2016/12/06 ED - Wei Fan ED - Albert Bifet ED - Jesse Read ED - Qiang Yang ED - Philip S. Yu ID - pmlr-v53-rabieah16 PB - PMLR DP - 机器学习研究会议论文集 VL - 53 SP - 68 EP - 84 L1 - https://pmlr.com.cn/v53/rabieah16.pdf UR - https://pmlr.com.cn/v53/rabieah16.html AB - 支持向量机 (SVM) 是机器学习中强大的监督学习方法。然而，由于耗时的训练阶段，其计算成本随着样本数量的增加而呈二次方增长，因此其在需要频繁重新训练系统的规模化问题中的适用性受到限制。 在这项工作中，提出了一种用于使用集成学习的核化 SVM 训练的完整的 FPGA 系统。 提出的框架建立在 FPGA 架构之上，利用级联多精度训练流程，通过调整所使用的数字表示来利用训练问题中的异质性，并支持针对每个内部存储结构调整的集成训练，从而解决非常大的数据集。 其性能评估表明，与最先进的 CPU 和 GPU 实现相比，所提出的系统实现了超过一个数量级的更好结果，为研究人员和实践者解决需要频繁重新训练的大规模 SVM 问题奠定了基础。 ER -
APA
Bin Rabieah, M. & Bouganis, C.. (2016). FPGASVM：加速核化支持向量机的框架. 2016年KDD大数据、流数据和异构源挖掘国际研讨会：算法、系统、编程模型和应用, in 机器学习研究会议论文集 53:68-84 可从 https://pmlr.com.cn/v53/rabieah16.html 获取。

相关材料