رايانش سريع از طريق ارتقاي جنگل تصادفي با استفاده از دو تكنيك فشرده‌سازي و موازي‌سازي

در اين پژوهش به دنبال ارتقاي يكي از الگوريتم‌هاي كارامد در يادگيري ماشين، به نام جنگل تصادفي هستيم. براي اين منظور از تكنيك‌هاي فشرده‌سازي و موازي‌سازي بهره مي‌بريم. چالش اساسي مورد توجه در اين پژوهش، در رابطه با به كارگيري جنگل تصادفي در پردازش و تحليل داده‌هاي حجيم مي‌باشد. در چنين مواردي، اين الگوريتم به دليل مراجعات پرشمار به حافظه، كارايي معمول و مورد نياز را ندارد. اين پژوهش نشان مي‌دهد كه چگونه مي‌توان با به كارگيري يك شيوه فشرده‌سازي ابتكاري، در كنار تكنيك‌هاي موازي‌سازي به هدف مورد نظر دست يافت. در اين رابطه، اجزاي مشترك درختان در جنگل تصادفي با يكديگر به اشتراك گذاشته مي‌شوند. علاوه بر اين، روش موازي‌سازي مبتني بر دستورات برداري‌سازي به همراه روش موازي‌سازي مبتني بر حافظه اشتراكي در جريان پردازش داده‌ها به كار مي‌روند. به منظور ارزيابي عملكرد روش پيشنهادي، آن را بر روي مجموعه داده‌هاي محك Kaggle كه در رقابت‌هاي مربوط به الگوريتم‌هاي يادگيري به وفور به كار مي‌روند، اجرا نموديم. نتايج به‌دست‌آمده حاكي از آن است كه به كارگيري روش فشرده‌سازي پيشنهادي، 66 درصد بهبود در سرعت پردازش داده‌ها به دنبال داشته است. همچنين به كارگيري فشرده‌سازي به همراه موازي‌سازي يادشده، 96 درصد بهبود را به همراه داشته است. به طور كلي نتايج آزمايشي و تحليل‌ها دلالت بر اين دارند كه راهكارهاي پيشنهادي، قدمي مؤثر در راستاي رسيدن به رايانش سريع براي جنگل تصادفي در اختيار مي‌گذارد.