[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

PMKLC : compression sans perte basée sur l'apprentissage multi-connaissances parallèle pour une base de données génomique à grande échelle

Created by
  • Haebom

Auteur

Hui Sun, Yanfeng Ding, Liping Yi, Huidong Ma, Gang Wang, Xiaoguang Liu, Cheng Zhong, Wentong Cai

Contour

Dans cet article, nous proposons un nouveau compresseur parallèle basé sur l'apprentissage multi-connaissances (PMKLC) pour améliorer les performances des compresseurs sans perte basés sur l'apprentissage, qui jouent un rôle crucial dans la sauvegarde, le stockage, la transmission et la gestion des bases de données génomiques à grande échelle. PMKLC présente quatre conceptions principales, dont un cadre de compression automatisé basé sur l'apprentissage multi-connaissances pour améliorer le taux de compression et la robustesse, un encodeur ($s$,$k$)-mer accéléré par GPU pour optimiser le débit de compression et l'utilisation des ressources de calcul, un mécanisme de fractionnement de blocs de données et de propagation de modèles par étapes (SMP) pour l'accélération parallèle, et deux modes de compression (PMKLC-S et PMKLC-M) pour répondre à différents scénarios d'application. Les résultats expérimentaux sur 15 ensembles de données réelles montrent que PMKLC-S/M améliore le taux de compression jusqu'à 73,609 % et 73,480 %, et le débit jusqu'à 3,036x et 10,710x par rapport aux méthodes existantes. De plus, il atteint une excellente robustesse et une utilisation compétitive de la mémoire.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons un nouveau compresseur PMKLC qui résout efficacement les problèmes de taux de compression, de débit et de robustesse des compresseurs sans perte basés sur l'apprentissage existants.
◦
Vitesse de compression considérablement améliorée grâce à l'accélération GPU et au traitement parallèle.
◦
Il a montré d’excellentes performances et une grande robustesse sur divers ensembles de données génomiques.
◦
Il propose différents modes (PMKLC-S, PMKLC-M) qui fonctionnent efficacement même dans des environnements aux ressources limitées.
•
Limitations:
◦
Une analyse plus approfondie est nécessaire sur l’amélioration générale des performances de la méthode proposée (optimisation possible pour des ensembles de données spécifiques).
◦
Des recherches sont nécessaires sur l’applicabilité à d’autres types de données en plus des différents types de données génomiques.
◦
Une description détaillée des 14 modèles de base mentionnés dans le document fait défaut.
👍
Made with Slashpage