• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Parallel and Distributed Systems >cuPC: CUDA-Based Parallel PC Algorithm for Causal Structure Learning on GPU
【24h】

cuPC: CUDA-Based Parallel PC Algorithm for Causal Structure Learning on GPU

机译：cuPC：用于基于因果关系学习的基于CUDA的并行PC算法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The main goal in many fields in the empirical sciences is to discover causal relationships among a set of variables from observational data. PC algorithm is one of the promising solutions to learn underlying causal structure by performing a number of conditional independence tests. In this paper, we propose a novel GPU-based parallel algorithm, called cuPC, to execute an order-independent version of PC. The proposed solution has two variants, cuPC-E and cuPC-S, which parallelize PC in two different ways for multivariate normal distribution. Experimental results show the scalability of the proposed algorithms with respect to the number of variables, the number of samples, and different graph densities. For instance, in one of the most challenging datasets, the runtime is reduced from more than 11 hours to about 4 seconds. On average, cuPC-E and cuPC-S achieve 500X and 1300X speedup, respectively, compared to serial implementation on CPU.
机译：经验科学许多领域的主要目标是从观测数据中发现一组变量之间的因果关系。 PC算法是通过执行许多条件独立性测试来学习潜在因果结构的有前途的解决方案之一。在本文中，我们提出了一种新颖的基于GPU的并行算法，称为cuPC，以执行与订单无关的PC版本。提出的解决方案有两个变体cuPC-E和cuPC-S，它们以两种不同的方式并行化PC，以实现多元正态分布。实验结果表明，相对于变量数量，样本数量和不同的图形密度，所提出算法的可扩展性。例如，在最具挑战性的数据集之一中，运行时间从超过11小时减少到大约4秒。与在CPU上的串行实现相比，cuPC-E和cuPC-S平均可以分别实现500倍和1300倍的加速。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号