.png){kind=icon}
返回
GPU-accelerated extractive multi-document text summarization using decomposition-based multi-objective differential evolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.125951.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多文档文本摘要计算密集度高，主要在使用复杂优化算法时。由于集成了复杂优化算法和计算开销大的修复算子，计算需求显著增加。随着优化过程复杂度的增长以及更大规模数据集的处理，执行时间成为关键瓶颈，使得实时摘要面临挑战。一种新颖的方法——基于分解的多目标差分进化（MODE/D）被引入以在串行执行环境中解决这些需求，但其顺序设计导致在应用于大规模数据集时执行时间过长。本文引入了首个GPU加速的基于分解的多目标差分进化（GMODE/D），专门设计用于克服基于优化的抽取式多文档文本摘要中的性能瓶颈。所提出的GMODE/D算法引入了两种新颖的执行变体：变体I，其中增强的句子评分修复算子在CPU上执行；变体II，其中句子评分被卸载到GPU以进一步提升性能。这些变体能够探索在异构环境中平衡CPU和GPU任务的计算模型。在文档理解会议（DUC）数据集上进行的实验表明，GMODE/D相比MODE/D实现了18.17倍的加速，并以每秒215.52词（WPS）的速率处理摘要。此外，GMODE/D保持了高质量的摘要，实现了显著的ROUGE-1、ROUGE-2和ROUGE-L得分。结果表明，GMODE/D显著减少了执行时间，为基于优化的抽取式文本摘要方法设立了新的性能基准。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Efficient parallel implementation of crowd simulation using a hybrid CPU plus GPU high performance computing system使用混合CPU和GPU高性能计算系统高效并行实现人群模拟
PREAI
分享收藏分享收藏Hybrid GPU–CPU Efficient Implementation of a Parallel Numerical Algorithm for Solving the Cauchy Problem for a Nonlinear Differential Riccati Equation of Fractional Variable Order混合GPU–CPU高效实现：求解分数阶变阶非线性微分Riccati方程的并行数值算法.png)
Mathematics
OAAI
MathematicsIF0
OAAI分享收藏GPU-accelerated artificial neural network potential for molecular dynamics simulationGPU加速的人工神经网络在分子动力学模拟中的应用潜力
PREAI
分享收藏Factual consistency evaluation of summarization in the Era of large language models大语言模型时代摘要的事实一致性评价
OAAI
OAAI分享收藏
查看更多内容