Análise Semi-Automática da Parametrização do Modelo de Mapas Auto-Organizados Ubíquos com Recurso a Paralelismo

Abstract

O objetivo desta dissertação é validar o Mapa Auto-Organizado (SOM) para treino paralelo em Unidades de Processamento Central (CPU) e em Unidades de Processamento Gráfico (GPU) de forma a maximizar o uso de recursos para tentar encontrar as melhores parametrizações para vários contextos, validando os modelos SOM e tentando ilustrar a sua aplicação para solucionar problemas que beneficiam desta análise dinâmica e em stream. Outro dos objectivos é aliar o protocolo Multi-Armed Bandit à execução de múltiplos modelos em paralelo de forma a encontrar as features que são mais relevantes para minimizar as métricas de erro associadas ao modelo UbiSOM, encontrando as features mais relevantes de um certo conjunto de dados. O SOM é uma técnica que projecta conjuntos de dados multi-dimensionais para mapas bidimensionais. Isto permite a visualização dos dados e facilita a interpretação humana, sendo possível descobrir padrões desconhecidos. Contudo, o SOM tem dificuldade a reagir a mudanças repentinas na distribuição dos dados, devido às parametrizações do algoritmo, que necessitam de ser definidas antes da execução. O Mapa Auto-Organizado Ubíquo (UbiSOM) resolve esse problema introduzindo métricas globais, que permitem a adaptação do SOM a streams. Refazendo a arquitetura do sistema onde treinos do modelo SOM são realizados, pode-se igualmente tirar partido de uma execução de vários treinos em paralelo, acelerando a sua execução, permitindo o processamento de mapas de grande dimensão e acelerando a pesquisa das melhores parametrizações. Para validar a implementação e os resultados, serão feitas comparações da análise de sensibilidade de parâmetros de trabalhos anteriores no campo do modelo UbiSOM, assim como será analisada a inclusão do protocolo Multi-Armed Bandit na pesquisa das melhores features de um certo conjunto de dados. A performance da arquitetura paralela para o modelo UbiSOM em execução no CPU será igualmente analisada.

The main goal of this dissertion is to validate the Self-Organizing Map to parallel training in Central Processing Units (CPU) and Graphic Processing Units (GPU), in order to maxi mize the resources use and to find the best parameters regarding many real-life contexts and this way, validating the SOM models to be used in solving problems that could ben efit of this dynamic analysis and in streaming mode. Other of the goals is combine the Multi-Armed Bandit Protocol to the execution of multiple models in parallel, in a way that the most relevant features from a certain dataset are found, the ones which minimize the error metrics associated with UbiSOM. SOM is a technique that reduces multi-dimensional data sets to bi-dimensional maps. This allows the visualization of the data and helps the human perception about it, being possible to discover unknown patterns. Although, the SOM model has difficulties in adapting to sudden changes in the distribution of the data since the parameters of the al gorithm needs to be defined prior to the execution. The Ubiquitous Self-Organizing Map (UbiSOM) solves that problem using global metrics, which allows the SOM’s adaptation to streams of data. Reworking the system architecture where the SOM traning is made, is also feasible to take advantage of the execution of many parallel trainings, fastening their execution, allowing the processing of maps of large scale and fastening the search for the best parameters. To validate the implementation and the results, will be done comparsions of the parameters sensibility analysis of past works on the matter, as well will be analyzed the inclusion of the Multi-Armed Bandit to search the best features of a certain dataset. The performance of the parallel architecture regarding the UbiSOM model in execution on CPU will be likewise analyzed.