リコー、GBDTモデル学習回路アーキテクチャ開発：GBDTモデル学習を26倍高速化

モデル学習の電力効率はCPU／GPUに比べ90倍

　リコーは2018年12月、機械学習で注目される「GBDT（Gradient Boosting Decision Tree：勾配ブースティング決定木）」モデルを、高速かつ低消費電力で学習できる回路アーキテクチャを開発したと発表した。

GBDTモデルの学習が可能な回路アーキテクチャを開発 出典：リコー

　同社は、開発した回路アーキテクチャをFPGA上に実装して、性能を検証した。この結果、CPU／GPUを用いた一般的なソフトウェアライブラリー（XGBoost、LightGBM、CatBoost）と比べ、モデル学習の処理は26～259倍と極めて速く、GBDTモデルの学習を短い時間で実行可能なことが分かった。

モデル学習時間の比較 出典：リコー

　開発した回路アーキテクチャは学習時の消費電力も少なく、モデル学習の電力効率はCPU／GPU利用時に比べ90～1105倍を達成したという。なお、学習したモデルの予測精度は、ソフトウェアライブラリーで学習したモデルと同等であることを確認している。

1データ当たりの学習消費電力の比較 出典：リコー

　GBDTモデルは、データベースなどで構造化された大量データの学習に適しているという。応用分野としてはオンライン広告のリアルタイムビディング、Eコマースでのリコメンデーション、コンピュータによる株式の高頻度取引、サイバー攻撃の検出、ロボティクスなどを想定している。また、高い電力効率という特長を生かし、さまざまなエッジデバイスへの応用も期待される。

　なお、同社研究開発本部リコーICT研究所の研究グループは、詳細な研究成果について米国コーネル大学が運営する論文投稿サイトで発表した。