在千名受试者神经影像数据集上实现因子分析
机器学习
2018-03-30 v2 分布式、并行与集群计算
机器学习
摘要
随着大型多受试者数据集的广泛可用和高分辨率扫描仪的采用，功能磁共振成像数据的规模正在迅速增长。该数据中信息的固有低维性促使神经科学家考虑使用因子分析方法来提取和分析潜在的大脑活动。在这项工作中，我们考虑了两种最新的多受试者因子分析方法：共享响应模型和层次拓扑因子分析。我们进行了分析、算法和代码优化，以实现多节点并行实现的可扩展性。单节点改进使这两种方法分别获得了99倍和1812倍的加速，并使得处理更大的数据集成为可能。我们的分布式实现在真实数据集上使用20个节点分别展示了3.3倍和5.5倍的强扩展性。我们还在一个包含1024名受试者的合成数据集上，在多达1024个节点和32,768个核心上展示了弱扩展性。
引用
@article{arxiv.1608.04647,
title = {Enabling Factor Analysis on Thousand-Subject Neuroimaging Datasets},
author = {Michael J. Anderson and Mihai Capotă and Javier S. Turek and Xia Zhu and Theodore L. Willke and Yida Wang and Po-Hsuan Chen and Jeremy R. Manning and Peter J. Ramadge and Kenneth A. Norman},
journal= {arXiv preprint arXiv:1608.04647},
year = {2018}
}