基于MPI的近邻距离加权偏标记学习算法之并行实现

• 作者: 王进 邓欣 陈乔松 高延雨
• 来源期刊: 江苏大学学报（自然科学版）
• 学科: 工学
• 关键词: 偏标记学习 并行 大规模数据 MPI 运行效率
• 年，卷（期）: 2018,（6）
• 页码范围: 689-695
• 页数: 7页
• 分类号: TP391.4
• 字数: 6219字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-7775.2018.06.012

摘要

针对基于样例的偏标记学习方法IPAL需对每个样本求取近邻及近邻的权值、耗时太多而不适用于求取大规模数据的问题,提出了一种基于近邻距离加权的偏标记学习算法,对IPAL中近邻权值的求取方式进行改进.为提升新算法的运行效率,在训练集与测试集的读取、相似度图的构建、迭代标记传播和测试样本的预测等方面进行了并行计算;设计了新算法的并行模型,且在MPI的集群环境下实现此模型.将改进后串行算法WIPAL的运行效率和分类准确率与IPAL进行对比,且将不同进程数下并行算法PWIPAL的运行时间和加速比进行对比.试验结果表明:新算法在保证分类准确率的前提下缩短了运行时间;随着数据规模的增大,PWIPAL与WIPAL分类准确率相同,运行时间的加速比逐渐接近所设定的进程数,可以用来处理大规模数据.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王进	重庆邮电大学计算智能重庆市重点实验室	50	202	8.0	12.0
2	陈乔松	重庆邮电大学计算智能重庆市重点实验室	16	66	4.0	7.0
3	邓欣	重庆邮电大学计算智能重庆市重点实验室	21	58	4.0	6.0
4	高延雨	重庆邮电大学计算智能重庆市重点实验室	2	1	1.0	1.0