GPU-Accelerated Mahalanobis-Average Hierarchical Clustering Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F21%3A10431050" target="_blank" >RIV/00216208:11320/21:10431050 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/book/10.1007/978-3-030-85665-6" target="_blank" >https://link.springer.com/book/10.1007/978-3-030-85665-6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-85665-6_36" target="_blank" >10.1007/978-3-030-85665-6_36</a>

Jazyk výsledku

angličtina

Název v původním jazyce

GPU-Accelerated Mahalanobis-Average Hierarchical Clustering Analysis

Popis výsledku v původním jazyce

Hierarchical clustering is a common tool for simplification, exploration, and analysis of datasets in many areas of research. For data originating in flow cytometry, a specific variant of agglomerative clustering based Mahalanobis-average linkage has been shown to produce results better than the common linkages. However, the high complexity of computing the distance limits the applicability of the algorithm to datasets obtained from current equipment. We propose an optimized, GPU-accelerated open-source implementation of the Mahalanobis-average hierarchical clustering that improves the algorithm performance by over two orders of magnitude, thus allowing it to scale to the large datasets. We provide a detailed analysis of the optimizations and collected experimental results that are also portable to other hierarchical clustering algorithms; and demonstrate the use on realistic high-dimensional datasets.

Název v anglickém jazyce

GPU-Accelerated Mahalanobis-Average Hierarchical Clustering Analysis

Popis výsledku anglicky

Hierarchical clustering is a common tool for simplification, exploration, and analysis of datasets in many areas of research. For data originating in flow cytometry, a specific variant of agglomerative clustering based Mahalanobis-average linkage has been shown to produce results better than the common linkages. However, the high complexity of computing the distance limits the applicability of the algorithm to datasets obtained from current equipment. We propose an optimized, GPU-accelerated open-source implementation of the Mahalanobis-average hierarchical clustering that improves the algorithm performance by over two orders of magnitude, thus allowing it to scale to the large datasets. We provide a detailed analysis of the optimizations and collected experimental results that are also portable to other hierarchical clustering algorithms; and demonstrate the use on realistic high-dimensional datasets.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Euro-Par 2021: Parallel Processing

ISBN

978-3-030-85665-6

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

16

Strana od-do

580-595

Název nakladatele

Springer

Místo vydání

Neuveden

Místo konání akce

Lisbon, Portugal

Datum konání akce

1. 9. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—