Strukturális jegyek kiválasztása Bayes-hálókban openCL segítségével

OData támogatás
Konzulens:
Dr. Antal Péter
Méréstechnika és Információs Rendszerek Tanszék

A bizonytalan tudás valószínűségi alapú megközelítésének egyik legfontosabb módszerét a Bayes-hálók adják. Az élet számos területén alkalmazzák sikerrel, többek között a bioinformatikában, pénzügyi rendszerekben és a hadászatban. Fő erejüket azon képességük jelenti, hogy képesek a sokváltozós eloszlások hatékony ábrázolására, a változók közti függetlenségek reprezentációja révén. Valamint a statisztikai adatok mellett a priori szakértői tudást is fel tudják használni a tanulás során. A teljes Bayes-hálóból történő tanulás ugyanakkor szuperexponenciális komplexitású, ezért a teljes modell identifikálása helyett érdekes modelltulajdonságok felfedezése és a posteriori valószínűségük megbecslése a cél, amelyre Monte Carlo módszereket alkalmazunk.

Jelen dolgozat egy olyan nagymértékben párhuzamosított sorrendi MCMC implementációt mutat be, amely a nagy teljesítményű számítási rendszerek erőforrásait optimálisan módon használja ki, ugyanakkor alkalmas hétköznapi számítógépen való futtatására is. Ehhez heterogén programozásnál alkalmazott OpenCL technológiát és Grid rendszerekben elterjedt MPI üzenetküldő interfész kerül felhasználásra.

Az elkészült program tulajdonságai genomikai adatok felhasználásával kerülnek bemutatásra.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.