SSpMV: A Sparsity-Aware Framework for Adaptive Sparse Matrix–Vector Multiplication

Guoqing Xiao

doi:10.1109/tc.2026.3730889

SSpMV: A Sparsity-Aware Framework for Adaptive Sparse Matrix–Vector Multiplication

2026-09-04

0

PRE

AI

DOI：10.1109/tc.2026.3730889

原文链接

摘要

En 中文

稀疏矩阵-向量乘法（SpMV）是科学计算和人工智能中的基本稀疏核。然而，现有SpMV算法的性能对不同的稀疏模式高度敏感，需要一种能够有效提取矩阵结构并预测最优配置的自适应框架。本研究首先分析了不同格式下并行SpMV算法的性能。基于分析，我们提出了稀疏感知SpMV（SSpMV），该框架集成了手工专家特征与多模态表示，以自动确定最优算法和参数。其核心是MM-Adapter，一种为该选择任务设计的创新多模态卷积神经网络。通过包含SuiteSparse Collection几乎全部矩阵及有限元矩阵的多样化数据集验证了SSpMV的鲁棒性。在Intel Xeon 5120 CPU上，SSpMV达到81.05%的选择准确率，相比MKL spblas IE实现1.26倍的几何加速。此外，在NVIDIA A100 GPU上，其准确率达到74.12%，相比cuSPARSE基准实现1.31倍的加速。

Keyword:

Sparse matrix

SpMV

machine learning

SSpMV: A Sparsity-Aware Framework for Adaptive Sparse Matrix–Vector Multiplication

摘要

期刊

机构

引用论文