Büyük ölçekli veri setleri için GPU hızlandırmalı melez bir GA-DVM: CuGA-DVM

Özet

Bu çalışmada Genetik Algoritma (GA) ve Destek Vektör Makinelerinden (DVM) oluşan melezbir yöntemin CUDA (Compute Unified Device Architecture-Birleşik Hesaplama AygıtMimarisi) tabanlı hız optimizasyonu gerçekleştirilmiştir. Makine öğrenmesinde, geliştirilenyöntemlerin yüksek doğruluk değerlerinde başarı vermesi hedeflenir. Ayrıca önerilenalgoritmanın sonuçları bulurken hızlı bir şekilde çalışması da yine hedeflenen bir durumdur. Buçalışmada, özellikle gerçek zamanlı uygulamalarda önemli bir parametre olan hız parametresidikkate alınmakta ve verilerin hızlı bir şekilde sınıflandırılması için yeni bir GPU (GraphicProcessing Unit-Grafik İşlemci Birimi) teknolojisi kullanılmaktadır. Bunun için grafikişlemciler üzerinde programlama yapmamızı sağlayan CUDA programlamadan yararlanılmıştır.Sınıflandırma algoritması olarak genetik algoritmayla optimize edilmiş destek vektör makinesikullanılmıştır. Deneyler 384 CUDA çekirdeğinden oluşan NVIDIA GeForce 940MX ekrankartına sahip bir bilgisayar üzerinde gerçekleştirilmiştir. Büyük ölçekli veri kümeleri üzerindeyapılan deneylerde, CUDA programlamanın sonuçlar üzerinde pozitif etkilerinin olduğugörülmüştür. Bu şekilde makine öğrenmesi uygulamalarında sınıflandırma aşamasında grafikişlemciler ile gerçek zamanlı uygulamalar için hızlı bir sistemin altyapısı oluşturulabilir.

Abstract

In this study, CUDA based speed optimization of a hybrid method consisting of Genetic Algorithm and Support Vector Machines has been performed. In machine learning, it is aimed to achieve high accuracy values from the developed methods. It is also a target for the proposed algorithm to work quickly while finding the results. In this study, speed parameter which is indispensable especially in real time applications is taken into consideration and a new GPU technology is used to classify the data quickly. Therefore, CUDA programming, which allows us to program on graphics processors of which importance and use are increasing in recent years, has been benefited from. Support vector machine optimized by genetic algorithm has been used as the classification algorithm. The experiments have been performed on a computer with NVIDIA GeForce 940MX graphics card, which consists of 384 CUDA core. Experiments performed on large scale data sets have shown that CUDA programming has positive effects on the results. In this way, the infrastructure of a quick system for real-time applications can be created by using the graphics processors in the classification phase of the machine learning applications.