Otimizando o Cálculo do Índice de Silhueta através de Paralelismo em GPU

  • Thiago B. Lopes UFG
  • Wellington S. Martins UFG

Resumo


Meta-características são fundamentais para otimizar algoritmos de aprendizado de máquina, mas o cálculo de meta-características relacionadas ao conjunto de agrupamento é computacionalmente custoso, devido às análises complexas de propriedades de agrupamento. Neste trabalho, apresentamos uma abordagem que emprega paralelismo em GPU para aumentar a eficiência do cálculo do índice de silhueta, uma métrica chave no agrupamento, tornando-o mais viável para grandes conjuntos de dados.

Referências

Brazdil, P., Giraud-Carrier, C., Soares, C., and Vilalta, R. (2009). Metalearning: Applications to data mining. Springer Publishing Company.

Google (2021). Google colaboratory. [link]. Accessed: 2023-05-25.

Luna-Romera, J. M., Martínez Ballesteros, M., García-Gutiérrez, J., and Riquelme, J. (2016). An approach to silhouette and dunn clustering indices applied to big data in spark. Advances in Artificial Intelligence. CAEPIA 2016. Lecture Notes in Computer Science(), vol 9868. Springer, Cham.

Rousseeuw, P. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20, 53-65.

Silva, L. L., Franco, R., Carvalho, A., and Martins, W. (2023). Gpu acceleration of clustering meta-feature extractionusing rapids. XXII Workshop em Desempenho de Sistemas Computacionais e de Comunicacão, (wperformance 2023) edition.
Publicado
24/08/2023
LOPES, Thiago B.; MARTINS, Wellington S.. Otimizando o Cálculo do Índice de Silhueta através de Paralelismo em GPU. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DO CENTRO-OESTE (ERAD-CO), 6. , 2023, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 23-25. DOI: https://doi.org/10.5753/eradco.2023.233879.