طراحي يك الگوريتم خوشه بندي طيفي موازي كارآمد بر روي پردازنده هاي چند هسته اي در زبان برنامه نويسي جوليا

Designing an efficient parallel spectral clustering algorithm on multi-core processors in Julia

خوشه بندي طيفي به طور گسترده در داده كاوي و يادگيري ماشين مورد استفاده قرار مي گيرد. خوشه بندي مي تواند شكل دلخواه يك فضاي نمونه را شناسايي كرده و به راه حل بهينه همگرا شود. در مقايسه با الگوريتم سنتي k-means، الگوريتم خوشه‌بندي طيفي سازگاري بيشتري با داده‌ها داشته لذا نتايج خوشه‌بندي بهتري را به همراه دارد. با اين حال، محاسبه الگوريتم بسيار پرهزينه است. در اين مقاله، يك الگوريتم خوشه‌بندي طيفي موازي كارآمد بر روي پردازنده‌هاي چند هسته‌اي در زبان جوليا پيشنهاد شده است كه در اينجا از آن به عنوان juPSC ياد مي‌كنيم. زبان جوليا يك زبان برنامه نويسي با كارايي بالا و منبع باز است. juPSC از سه روش تشكيل شده است: (1) محاسبه ماتريس تمايل، (2) محاسبه بردارهاي ويژه و (3) انجام خوشه بندي k-means. رويه‌هاي (1) و (3) توسط الگوريتم موازي كارآمد محاسبه مي‌شوند و از فرمت COO براي فشرده‌سازي ماتريس تمايل استفاده مي‌شود. دو گروه آزمايش براي تأييد صحت و كارايي juPSC انجام مي شود. نتايج تجربي نشان مي‌دهد كه (1) juPSC به طور تقريبي به سرعت‌هاي 14 الي 18 روي يك پردازنده 24 هسته‌اي دست مي‌يابد و (2) نسخه سريال juPSC سريع‌تر از نسخه پايتون scikitlearn است.