We present a novel algorithm attaining excessively fast, the sought solution of linear systems of equations. The algorithm is short in its basic formulation and by definition vectorised, while the memory allocation demands trivial, because for each iteration only one dimension of the given input matrix $\mathbf x$ is utilized. The execution time is very short compared with state-of-the-art methods, exhibiting up to $\mathcal{O}(10^3)$ speed-up and low memory allocation demands, especially for non-square Systems of Linear Equations, with ratio of equations versus features high (tall systems), or low (wide systems) accordingly. The accuracy is high and straightforwardly controlled, and the numerical results highlight the efficiency of the proposed algorithm, in terms of computation time, solution accuracy and memory allocations demands. The parallelisation of the algorithm is also presented in multi-threaded and GPU accelerators' setting. The paper also comprises a theoretical proof for the algorithmic convergence. Finally, we extend the implementation of the proposed algorithmic rationale to feature selection tasks.


翻译:我们展示了一种超快的新算法,即所寻求的线性等式系统的解决办法。算法在其基本配方和定义的矢量化方面很短,而内存分配则要求微不足道,因为对于每个迭代只使用了输入矩阵的一个维度 $\ mathbfx$x$;执行时间与最先进的方法相比非常短,显示的加速和记忆分配需求低,特别是对于线性等式的非平方系统,其方程相对于特征高(全系统)或低(全系统)的比例,因此,内存分配要求也比较短。准确性高且直接控制,而数字结果突出拟议的算法在计算时间、溶性准确性和记忆分配要求方面的效率。算法的平行化还体现在多面阅读和GPU加速器的设置中。文件还包括算法趋同的理论性证明。最后,我们将拟议的算法原理的实施扩大到特征选择任务。

0
下载
关闭预览

相关内容

特征选择( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ),或属性选择( Attribute Selection )。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化,是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。对于一个学习算法来说,好的学习样本是训练模型的关键。
专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
41+阅读 · 2021年4月2日
【2021新书】流形几何结构,322页pdf
专知会员服务
53+阅读 · 2021年2月22日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
已删除
将门创投
6+阅读 · 2019年4月22日
Arxiv
0+阅读 · 2021年6月15日
Arxiv
3+阅读 · 2018年3月13日
VIP会员
相关资讯
已删除
将门创投
6+阅读 · 2019年4月22日
Top
微信扫码咨询专知VIP会员