.png){kind=icon}
返回
High performance GPU implementation of KNN algorithm: A review
.png){kind=icon}
OA
AI
DOI：10.1016/j.mex.2025.103633.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着不同应用生成的大量复杂数据，仅使用机器学习（ML）算法在单核或多核CPU上可能无法带来显著的性能提升。在高端计算（HPC）环境中对这些ML算法应用优化技术，可为高维数据集带来显著的加速效果。K-Nearest Neighbor（KNN）是最广泛使用的分类算法之一，应用于多个领域。尽管其简单，但在处理高维数据时仍存在若干挑战。然而，该算法的固有特性为其并行化提供了机会。本文综述了多位研究者为加速KNN算法在GPU平台上的优化技术。研究发现，诸如内存合并访问、共享内存分块、分块处理、数据分段和基于枢轴的分区等技术，显著促进了KNN算法的加速，以利用GPU的性能。所综述的算法在高维数据上表现出色，双GPU平台上的加速比最高可达750倍，多GPU平台上的加速比最高可达1840倍。本研究为研究人员在高端计算环境中考察KNN加速及其在各个领域的应用提供了宝贵资源。
Keyword:
Machine learning
K -nearest neighbor
High performance computing
Graphics processing unit
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
1.9
论文数:
293
被引数:
5.6K
机构
暂无机构信息
引用论文
Enhancing K-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications增强K最近邻算法: 修改的综合回顾和性能分析.png)
JOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏
查看更多内容