リコーは12月26日、機械学習において近年注目されている手法であるGradient Boosting Decision Tree(GBDT:勾配ブースティング決定木モデルの学習を高速し、電力効率を上げる回路アーキテクチャを開発したと発表した。

この回路アーキテクチャを、FPGA(Field-Programmable Gate Array、設計者がプログラムによって設定を変更できる集積回路)上に実装して性能を比較したところ、CPU/GPUを用いた一般的なソフトウェアライブラリ(XGBoost (extreme gradient boosting)、LightGBM、CatBoost)と比べ、26~259倍の学習高速化を実現したという。これにより、これまでよりも短時間でのGBDTモデルの学習・更新が可能となる。

学習時の消費電力も小さく、モデル学習の電力効率は、GPU/CPUと比較して90~1,105倍となったという。低消費電力という特徴により、エッジコンピューティングへも活用を拡大できるとしている。

  • GBDTモデルの学習が可能な回路アーキテクチャ

  • モデル学習時間の比較

  • 1データ当たりの学習消費電力の比較

GBDT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高い性能を発揮する。そのため、応用先として、オンライン広告のリアルタイムビディング(Real-Time Bidding)、Eコマースでのリコメンデーションなどのweb分野、コンピューターによる株式の高頻度取引(High Frequency Trading)などの金融分野、サイバー攻撃の検出などのセキュリティ分野、ロボティクスなどが考えられる。