稀疏张量转置
Sparse Tensor Transpositions
AI总结：
本文提出稀疏张量转置算法Quesadilla，利用基数排序和坐标排序知识最小化并行排序遍数，在FROSTT数据集上优于SPLATT等现有方法。
摘要：
我们提出了一种用于转置稀疏张量的新算法，称为Quesadilla。该算法将稀疏张量数据结构转换为坐标列表，并使用一种快速的多遍基数排序算法对其进行排序，该算法利用对请求的转置以及张量输入的部分坐标排序的了解，以可证明的方式最小化并行部分排序遍数。我们在来自FROSTT集合的19个张量（一组取自科学和数据应用分析的张量）上评估了Quesadilla的串行和并行实现。我们将Quesadilla及其泛化版本Top-2-sadilla与几种最先进的方法进行了比较，包括SPLATT张量分解库中使用的张量转置例程。在串行测试中，Quesadilla在60%的所有张量和转置组合中是最佳策略，并在一半的组合中比SPLATT至少提高了19%。在并行测试中，Quesadilla或Top-2-sadilla中至少有一个在52%的所有张量和转置组合中是最佳策略。
英文摘要：
We present a new algorithm for transposing sparse tensors called Quesadilla. The algorithm converts the sparse tensor data structure to a list of coordinates and sorts it with a fast multi-pass radix algorithm that exploits knowledge of the requested transposition and the tensors input partial coordinate ordering to provably minimize the number of parallel partial sorting passes. We evaluate both a serial and a parallel implementation of Quesadilla on a set of 19 tensors from the FROSTT collection, a set of tensors taken from scientific and data analytic applications. We compare Quesadilla and a generalization, Top-2-sadilla to several state of the art approaches, including the tensor transposition routine used in the SPLATT tensor factorization library. In serial tests, Quesadilla was the best strategy for 60% of all tensor and transposition combinations and improved over SPLATT by at least 19% in half of the combinations. In parallel tests, at least one of Quesadilla or Top-2-sadilla was the best strategy for 52% of all tensor and transposition combinations.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
