cuFasterTucker：GPU平台上并行稀疏FastTucker分解的随机优化策略
分布式、并行与集群计算
2022-10-13 v1
摘要
当前，科学数据的规模正以空前的速度增长。以张量形式存在的数据呈现出高阶、高维和高度稀疏的特征。尽管基于张量的分析方法非常有效，但数据规模的剧增使得原始张量无法被处理。张量分解将一个张量分解为多个可被基于张量的分析方法利用的低秩矩阵或张量。Tucker分解就是这样一种算法，它将一个阶张量分解为个低秩因子矩阵和一个低秩核张量。然而，大多数Tucker分解方法伴随巨大的中间变量和巨大的计算负载，使它们无法处理高阶高维张量。在本文中，我们提出基于FastTucker分解的FasterTucker分解，它是Tucker分解的一种变体。并提出了GPU平台上高效的并行FasterTucker分解算法cuFasterTucker。它具有极低的存储和计算需求，有效解决了高阶高维稀疏张量分解的问题。与最先进算法相比，其在更新因子矩阵和更新核矩阵方面分别实现了约和的加速。
引用
@article{arxiv.2210.06014,
title = {cuFasterTucker: A Stochastic Optimization Strategy for Parallel Sparse FastTucker Decomposition on GPU Platform},
author = {Zixuan Li},
journal= {arXiv preprint arXiv:2210.06014},
year = {2022}
}