Décomposition en valeurs singulières randomisée et positionnement multidimensionel à base de tâches
DENIS, Alexandre
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
Leer más >
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
DENIS, Alexandre
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
FRANC, Alain
Biodiversité, Gènes & Communautés [BioGeCo]
Pleiade, from patterns to models in computational biodiversity and biotechnology [PLEIADE]
Biodiversité, Gènes & Communautés [BioGeCo]
Pleiade, from patterns to models in computational biodiversity and biotechnology [PLEIADE]
FRIGERIO, Jean-Marc
Biodiversité, Gènes & Communautés [BioGeCo]
Pleiade, from patterns to models in computational biodiversity and biotechnology [PLEIADE]
Biodiversité, Gènes & Communautés [BioGeCo]
Pleiade, from patterns to models in computational biodiversity and biotechnology [PLEIADE]
GUILBAUD, Adrien
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
JEANNOT, Emmanuel
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
Topology-Aware System-Scale Data Management for High-Performance Computing [TADAAM]
PERESSONI, Romain
COmposabilité Numerique and parallèle pour le CAlcul haute performanCE [CONCACE]
< Leer menos
COmposabilité Numerique and parallèle pour le CAlcul haute performanCE [CONCACE]
Idioma
en
Rapport
Este ítem está publicado en
2022-09-09p. 37
Resumen
Le positionnement multidimensionnel (MDS) est un algorithme important et robuste pour représenter les cas individuels d’un ensemble de données en fonction de leurs dissimilarités respectives. Cependant, les heuristiques, ...Leer más >
Le positionnement multidimensionnel (MDS) est un algorithme important et robuste pour représenter les cas individuels d’un ensemble de données en fonction de leurs dissimilarités respectives. Cependant, les heuristiques, qui peuvent être un compromis avec la robustesse, sont souvent préférées en pratique en raison de sa consommation mémoire et de ses coûts potentiellement prohibitifs. L’introduction récente de techniques de projection aléatoire dans le MDS lui a permis de devenir compétitif sur des cas test plus importants. L’objectif de ce manuscrit est de proposer un MDS haute performance basé sur la projection aléatoire pour le traitement d’ensembles de données de taille encore plus grande (jusqu’à un million d’éléments). Nous proposons une conception de l’algorithme et nous l’implémentons dans une pile logicielle efficace, comprenant des solveurs numériques de pointe ainsi des systèmes d’exécution et des couches de communication optimisés. L’aboutissement de ce travail résultat est la capacité d’appliquer efficacement le MDS robuste à de grands ensembles de données sur des super-ordinateurs modernes. Nous évaluons l’algorithme etla pile logicielle résultants à la visualisation de nuages de points pour l’analyse des distances entre séquences de metabarcoding.< Leer menos
Resumen en inglés
The multidimensional scaling (MDS) is an important and robust algorithm for representing individual cases of a dataset out of their respective dissimilarities. However, heuristics, possibly trading-off with robustness, are ...Leer más >
The multidimensional scaling (MDS) is an important and robust algorithm for representing individual cases of a dataset out of their respective dissimilarities. However, heuristics, possibly trading-off with robustness, are often preferred in practice due to the potentially prohibitive memory and computational costs of the MDS. The recent introduction of random projection techniques within the MDS allowed it to be become competitive on larger testcases. The goal of this manuscript is to propose a high-performance distributed-memory MDS based on random projection for processing data sets of even larger size (up to one million items). We propose a task-based design of the whole algorithm and we implement it within an efficient software stack including state-of-the-art numerical solvers, runtime systems and communication layers. The outcome is the ability to efficiently apply robust MDS to large datasets on modern supercomputers. We assess the resulting algorithm and software stack to the point cloud visualization for analyzing distances between sequencesin metabarcoding.< Leer menos
Palabras clave
programmation à base de tâches
décomposition en valeur singulière randomisée
positionnement multidimensionel
projection aléatoire
mémoire distribuée
machine hétérogène
moteur d’exécution
Palabras clave en inglés
task-based programming
randomized singular value decomposition (RSVD)
multidimensional scaling (MDS)
random projection
distributed memory
heterogeneous machine
runtime system
Orígen
Importado de HalCentros de investigación