High-Performance ELM for Memory Constrained Edge Computing Devices with Metal Performance Shaders

Anton Akusok, Leonardo Espinosa Leal, Kaj-Mikael Björk, Amaury Lendasse

Forskningsoutput: Kapitel i bok/rapport/konferenshandlingKonferensbidragVetenskapligPeer review

Sammanfattning

This paper proposes a block solution method for the Extreme Learning Machine. It combines the speed of a direct non-iterative solver with minimal memory requirements. The method is suitable for edge computing scenarios running on a mobile device with GPU acceleration. The implementation tested on the GPU of iPad Pro outperforms a laptop CPU, and trains a 19,000-neuron model using under one gigabyte of memory. It confirms the feasibility of Big Data analysis on modern mobile devices.
OriginalspråkEngelska
Titel på gästpublikationProceedings of ELM2019
RedaktörerJiuwen Cao, Chi Man Vong, Yoan Miche, Amaury Lendasse
UtgivningsortCham
FörlagSpringer
Utgivningsdatum2021
Sidor79-88
ISBN (tryckt)978-3-030-58988-2, 978-3-030-59049-9
ISBN (elektroniskt)978-3-030-58989-9
DOI
StatusPublicerad - 2021
MoE-publikationstypA4 Artikel i en konferenspublikation

Publikationsserier

NamnProceedings in Adaptation, Learning and Optimization
Volym14
ISSN (tryckt)2363-6084
ISSN (elektroniskt)2363-6092

Nyckelord

  • 113 Data- och informationsvetenskap

Fingeravtryck

Fördjupa i forskningsämnen för ”High-Performance ELM for Memory Constrained Edge Computing Devices with Metal Performance Shaders”. Tillsammans bildar de ett unikt fingeravtryck.

Citera det här