Institute of Computing Technology, Chinese Academy IR
| 机器学习算法可近似性的量化评估分析 | |
| 江树浩; 鄢贵海; 李家军; 卢文岩; 李晓维 | |
| 2017 | |
| 发表期刊 | 计算机研究与发展
 |
| ISSN | 1000-1239 |
| 卷号 | 54.0期号:006页码:1337 |
| 摘要 | 近年来，以神经网络为代表的机器学习算法发展迅速并被广泛应用在图像识别、数据搜索乃至金融趋势分析等领域.而随着问题规模的扩大和数据维度的增长，算法能耗问题日益突出，由于机器学习算法自身拥有的近似特性，近似计算这种牺牲结果的少量精确度降低能耗的技术，被许多研究者用来解决学习算法的能耗问题.我们发现，目前的工作大多专注于利用特定算法的近似特性而忽视了不同算法近似特性的差别对能耗优化带来的影响，而为了分类任务使用近似计算时能够做出能耗最优的选择，了解算法“可近似性”上的差异对近似计算优化能耗至关重要.因此，选取了支持向量机（SVM)、随机森林（RF)和神经网络（NN)3类常用的监督型机器学习算法，评估了针对不同类型能耗时不同算法的可近似性，并建立了存储污染敏感度、访存污染敏感度和能耗差异度等指标来表征算法可近似性的差距，评估得到的结论将有助于机器学习算法在使用近似计算技术时达到最优化能耗的目的. |
| 关键词 | 监督机器学习算法 近似计算 可近似性 能耗优化 |
| 语种 | 英语 |
| 文献类型 | 期刊论文 |
| 条目标识符 | http://119.78.100.204/handle/2XEOYT63/36954 |
| 专题 | 中国科学院计算技术研究所期刊论文_中文 |
| 作者单位 | 中国科学院计算技术研究所 |
| 第一作者单位 | 中国科学院计算技术研究所 |
| 推荐引用方式 GB/T 7714 | 江树浩,鄢贵海,李家军,等. 机器学习算法可近似性的量化评估分析[J]. 计算机研究与发展,2017,54.0(006):1337. |
| APA | 江树浩,鄢贵海,李家军,卢文岩,&李晓维.(2017).机器学习算法可近似性的量化评估分析.计算机研究与发展,54.0(006),1337. |
| MLA | 江树浩,et al."机器学习算法可近似性的量化评估分析".计算机研究与发展 54.0.006(2017):1337. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 查看访问统计 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [江树浩]的文章 |
| [鄢贵海]的文章 |
| [李家军]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [江树浩]的文章 |
| [鄢贵海]的文章 |
| [李家军]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [江树浩]的文章 |
| [鄢贵海]的文章 |
| [李家军]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论