N.I. Lobachevsky State University of Niznhi Novgorod

Новости
О Центре
Кластер
Обучение
Исследования
Основные публикации
Конференции
Полезные ссылки
NVIDIA
Контакты
О сайте
Имя:
Пароль:
запомнить:
Забыли пароль? Регистрация

Исследования

Расширение функциональности и оптимизация алгоритмов вывода и обучения на вероятностных сетях в рамках библиотеки Probabilistic Network Library (PNL). Масштабируемые параллельные алгоритмы вывода и обучения вероятностных сетей (Библиотека ParPNL)

Финансирование проекта осуществляется компанией Intel (2003-2005 г.г.)

Цель проекта состоит в разработке библиотеки масштабируемых параллельных алгоритмов вывода и обучения на дискретных, непрерывных и смешанных вероятностных сетях для систем с общей и распределенной памятью. Расширение функциональности библиотеки осуществляется за счет включения новых высокопроизводительных алгоритмов вывода и обучения, реализации различных классов распределений, включения в библиотеку диагностических сетей, диаграмм влияния. Большая функциональность и высокая производительность должны помочь библиотеке занять одно из первых мест в мире в области данной тематики.

Вероятностные сети в настоящий момент времени являются одним из основных способов моделирования адаптивных (проактивных) вычислений, когда вся вновь получаемая информация используется для уточнения существующих зависимостей между данными и служит основой для определения свойств и характеристик решаемой задачи. Среди важных областей приложений - машинное обучение, проактивные вычисления, обработка видео изображений и т.д.

Основные результаты выполнения проекта состоят в следующем:

·        Разработаны масштабируемые параллельные алгоритмы вывода Junction Tree Inference, Loopy Belief Propagation; Gibbs Sampling и масштабируемая параллельная версия алгоритма обучения EM Learning на дискретных и непрерывных вероятностных сетях для систем с распределенной и общей памятью;

·        Проведены исследования влияния работы с динамической памятью на масштабируемость параллельных алгоритмов на вероятностных сетях в случае систем с общей памятью. Реализованы менеджеры памяти, позволяющие добиться высокой производительности параллельных алгоритмов на общей памяти;

·        Проведены исследования по повышения производительности алгоритмов вывода на дискретных и непрерывных вероятностных сетях. Реализована высокопроизводительная версия алгоритмов вывода Junction Tree Inference, Loopy Belief Propagation; Gibbs Sampling;

·        Реализован LIMID (Limited Memory Influence Diagram) алгоритм принятия решения на вероятностных сетях;

·        Расширен класс распределений, поддерживаемых в библиотеке, за счет включения распределения типа softmax. В частном случае порогового распределения сигмоид реализован вариационный алгоритм вывода на смешанных сетях;

·        Реализован информационный алгоритм принятия решений в диагностических вероятностных сетях;

·        Реализовано сопряжение библиотеке PNL с другими известными библиотеками на вероятностных сетях (GeNIE, R).

Библиотека, в том числе и параллельная часть, доступна на SourcreForge, количество скачиваний достигает нескольких десятков в день.  По результатам выполнения проекта подготовлено и опубликовано 6 научных работ

Результаты проекта были представлены на 6 Международном Конгрессе по Математическому Моделированию (2004), Британско-Российском Семинаре по Проактивным  Вычислениям (2005), Академическом Форуме Интел (2004-2005)


<< вернуться  |   Документ от: 24.08.2005 20:37

Новости

22.10.2012
04.09.2012
05.04.2012
06.03.2012
02.03.2012