@techreport{oai:ipsj.ixsq.nii.ac.jp:00210014,
 author = {藤家, 空太郎 and 多部田, 敏樹 and 藤井, 昭宏 and 田中, 輝雄 and 加藤, 由花 and 大島, 聡史 and 片桐, 孝洋 and Sorataro, Fujika and Toshiki, Tabeta and Akihiro, Fujii and Teruo, Tanaka and Yuka, Kato and Satoshi, Ohshima and Takahiro, Katagiri},
 issue = {16},
 month = {Mar},
 note = {我々は反復一次元探索を用いた自動チューニングによる複数パラメータ同時推定の研究に取り組んでおり，今回それを機械学習プログラムに適用した．機械学習プログラムは測定ごとに訓練データが変わり，同じハイパーパラメータで複数回実行しても結果にばらつきがある．本報告は歩行者経路予測の機械学習プログラムに適用した自動チューニングを GPU クラスタで並列化することで，逐次実行で約 11 日かかる推定が約 12 時間で完了することを示す．また，推定したハイパーパラメータを同じ GPU クラスタで複数回同時に測定した結果の平均と分布から，推定したハイパーパラメータが現在経験則で良いとされ使われているパラメータと比較して優位性があり，反復一次元探索を用いた自動チューニングが結果にばらつきのあるプログラムでも安定して推定が行えていることを示す．, We are working on the study of simultaneous estimation of multiple parameters by automatic tuning using iterative one-dimensional search, and this time we applied it to a machine learning program. In the machine learning program, the training data changes for each measurement, and the results vary even if the same hyperparameters are measured multiple times. This report shows that by parallelizing the automatic tuning applied to the machine learning program for pedestrian route prediction in a GPU cluster, the estimation that takes about 11 days for sequential execution can be completed in about 12 hours. In addition, from the average and distribution of the estimated hyperparameters measured multiple times in the same GPU cluster at the same time, it can be seen that the estimated hyperparameters are superior to the hyperparameters currently used according to the rule of thumb. From the above, it is shown that automatic tuning using iterative one-dimensional search enables stable estimation even in programs with varying results.},
 title = {GPUクラスタを用いて並列化した自動チューニングの機械学習プログラムへの適用と安定性の検証},
 year = {2021}
}