Investigação de técnicas de otimização para algoritmos de aprendizado de máquina

Abstract

Tendo em vista as inovações tecnológicas da última década, este trabalho busca, por meio de técnicas como vetorização utilizando AVX-512 e arcabouços computacionais para arquiteturas paralelas como o Galois, modificar algoritmos de aprendizado de máquina baseados em grafos, neste caso em particular, o OPF (Optimum-Path Forest) com a finalidade de melhorar o seu tempo de execução. Resultados apresentam ganhos significativos com o uso da tecnologia AVX-512, particularmente nas configurações com 1 thread de até 26,84% se comparado a versão com uso de AVX2 e 112,83% se comparado a versão não vetorizada. Quanto ao Galois, fora realizado um estudo inicial que avaliou o desempenho do MST (Minimum Spanning Tree) e os resultados preliminares apontam um speedup de até 6x com o dataset Epinions. No futuro, espera-se complementar a implementação do Galois para outros algoritmos de grafos baseados no OPF.

In view of the technological innovations of the last decade, this work seeks, through techniques such as vectorization using AVX-512 and computational frameworks for parallel architectures such as Galois, to modify graph-based machine learning algorithms, in this particular case, the OPF (Optimum-Path Forest) in order to improve its execution time. Results show significant gains with the use of AVX-512 technology, particularly in configurations with 1 thread up to 26.84% compared to the version using AVX2 and 112.83% compared to the non-vectored version. As for Galois, an initial study was carried out that evaluated the performance of the MST (Minimum Spanning Tree) and the preliminary results point to a speedup of up to 6x with the Epinions dataset. In the future, it is expected to complement the Galois implementation for other OPF-based graph algorithms.