MapReduceによる大規模データを利用した機械学習
•
68 j'aime•15,898 vues
Hadoop Conference Japan 2011での講演資料
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à MapReduceによる大規模データを利用した機械学習
Similaire à MapReduceによる大規模データを利用した機械学習 (20)
Plus de Preferred Networks
Plus de Preferred Networks (20)
Dernier
Dernier (8)
MapReduceによる大規模データを利用した機械学習
- 1. 2011 2/22（火） Hadoop Conference Japan 2011 MapReduceによる大規模 データを利用した機械学習 株式会社Preferred Infrastructure 岡野原 大輔 hillbig@preferred.jp @hillbig 1
- 2. 自己紹介 株式会社 Preferred Infrastructure フェロー, 研究開発チームリーダー 専門分野 自然言語処理 （情報理工学博士） 携わった分野は形態素解析、文書分類/クラスタリング、専 門用語抽出、評判分類、情報抽出 機械学習,統計処理・圧縮データ構造,データ圧縮 主な業務内容 有用な技術を新規開発・発掘しプロダクトに反映 他社との共同研究開発 Hadoopを利用したデータ解析の案件も数件 2
- 3. 発表概要 MapReduceと機械学習 機械学習でできること Apache Mahout 大規模並列分散処理の最前線 並列分散の機械学習 今後注目の技術 Dremel：対話的なアドホッククエリ 3
- 4. 発表概要 MapReduceと機械学習 機械学習でできること Apache Mahout 大規模並列分散処理の最前線 並列分散の機械学習 今後注目の技術 Dremel：対話的なアドホッククエリ 4
- 5. 機械学習 データから有用な規則、ルール、知識 表現、判断基準などを抽出する [wikipedia] 様々な分野の問題に利用可能 レコメンデーション / クラスタリング / 分類 / 市場予測 / 評判分析 / 情報抽出 / 文字認識 / ロ ボット・・ データがあるところ、どこでも使える 5
- 6. 機械学習の普及の要因：タスクと手 法の分離 各タスク固有の問題を、抽象化し 学習手法とタスクを分離することがで きた 分野に依存しない 様々な手法・理論を 特徴を捉えた抽象化されたデータ 適用可能 文書 (0, 1, 0, 2.5, -1, …) 分類/回帰：SVM, LogReg, (1, 0.5, 0.1, -2, 3, …) PA, CW, ALOW, Naïve Bayes (0, 1, 0, 1.5, 2, …) CNB, DT, RF, ANN, … 信号 特徴ベクトル クラスタリング：K-means, 画像 Spectral Clustering, MMC, LSI, LDA, GM, … 行動履歴 グラフィカルモデル 構造分析：HMM, MRF, CRF, … 6
- 7. 機械学習とMapReduce (1/2) 解析対象データの急激な増加 解析アルゴリズムは最低でも線形の計算量が必要 だがそれでも不十分．データ増加量が上回る 世界で作成されたデータ量は 2009年 0.8 ZB* （前年比62%増) 2020年 35 ZB （予想） [Digital Universe 2010] ZB = 10億TB = 1兆 GB 機械学習処理の分散並列化は今後必須 7
- 8. 機械学習とMapReduce (2/2) MapReduce上で機械学習を行う 機械学習がMapReduce向けでなくても、分散並 列システムを一から作り直すよりはるかに生産的 多くの機械学習問題がデータ毎に求ま る関数値の和を求める問題に帰着 目的関数の期待値、勾配などモーメント計算など 自明な並列性、MapReduceと相性が良い 多くがMapReduceの枠組みで実現可能 線形回帰,K-Means, ロジスティック回帰, SVMな ど多くの手法が実装可能 [C. T.Chu, et al. NIPS 06] 8
- 9. Apache Mahout Hadoop上で動く機械学習ライブラリ Apacheライセンスでありビジネスに使用可能 スケーラブルであることを最優先 百台超でも動くように Apacheプロジェクトにおいて開発．盛 んに新しい手法が取り込まれている 新しいコードも多く、品質は様々 9
- 10. Mahoutがサポートする手法 (1/2) クラスタリング Canopy Clustering / (Fuzzy) K-平均法 期待値最大化法 平均シフトクラスタリング ディリクレ過程クラスタリング Latent Dirichlet Allocation パターンマイニング Parallel FP growth algorithm 文字列データ処理 連語抽出 10
- 11. Mahoutがサポートする手法 (2/2) 分類 ロジスティック回帰 単純ベイズ法 / Complementary 単純ベイズ法 サポートベクトルマシン パーセプトロン / Winnow ニューラルネットワーク ランダムフォレスト Restricted Boltzmann Machine 行列演算 特異値分解 主成分分析・独立成分分析（次バージョン） 11
- 12. Mahoutの実行感想 数台から百台強での実験結果からの感想 パフォーマンスに大きな問題はなかった EC2上で構築 各挙動についてドキュメントは不足している ところも多く、詳細の挙動についてはコード を参照する必要があった 細かいパラメータ調整とか手法の変更は難しい 12
- 13. 本日の概要 MapReduceと機械学習 機械学習でできること Apache Mahout 大規模並列分散処理の最前線 並列分散の機械学習 今後注目の技術 Dremel：対話的なアドホッククエリ 13
- 14. 大規模分散並列+機械学習 Google, MS, Yahoo!などを中心に大規 模分散並列による機械学習が進む より強力なモデルを利用した機械学習 高精度で理論的な保障のある手法 オンライン学習など従来並列化が困難と思われた 手法も並列化可能であることがわかってきた Mahoutではまだ未実装のものも多い Hadoop上で実装は可能 グラフィカルモデルと分散最適化を紹介 14
- 15. グラフィカルモデル 確率変数を頂点、変数間の依存関係を 枝としたグラフ構造 ベイジアンネットワーク、MRF, CRF, HMM MAP推定（確率が最大になる変数割り当て） 言語処理、情報抽出、音声認識、画像 解析、遺伝子解析、構造予測で利用 15
- 16. グラフィカルモデルの分散並列処理 グラフィカルモデルの推論は一般に困難 近年のモデルはより巨大で密なグラフ 数百万変数（頂点）なども扱いたい 様々な並列化アルゴリズムが提案されつ つある 相互排他的な更新を見つけ自動的に並列で行う 頂点を相互排他的な集合で色分け、色毎に更新 Residual Splash Belief Propagation [J. E. Gonzalez AISTATS 2009] GraphLab [Y. Low et. al. UAI 2010] 16
- 17. グラフィカルモデルの分散並列による結果 [S. Singh LCCC 2010] 共参照解析：二つの言及 は同じ実体を指している か？ （言及のクラスタリング） 例：「僕と君はこの二年で 50 ⇒ 250台 ４回誘われた」とCTOの で5x高速化 太田は西川に言った。 NY Times 20年分の記事中に含まれる延べ100万 回の人名言及の共参照解析 250台のマシンでも線形のスケーラビリティ 17
- 18. 数値最適化の並列分散化 多くの機械学習は数値最適化問題に帰着 目的関数F(θ)の最小値を達成するθを求める 例：SVM F(θ) = ∑iLhinge(θ) + Cθ2 MapReduceを使えば簡単？ データを分割して求め、それらの結果の平均とるか 勾配情報だけを分割して求めるか どれも同じ様に見えるが実は精度に大き な違いがあり、理論的に解析可能 ４つの方法を紹介する 結論：最後のIterativeParameterMixtureを使え 18
- 19. 方法１Parameter Mixture 1. データを分割しK個のshardに配る 2. shard毎にパラメータθを最適化 3. 最後に各shardの結果の平均をとる θ’ = (∑iθi)/K 実はうまくいかない 性能も悪いし、失敗する例も作れる 理論的保障もできない 19
- 20. 方法2 Distributed Gradient 勾配の計算部分を並列に行う 得られた勾配情報を利用し、更新は一 台で行う 長所 勾配の計算に時間がかかる場合に高速化可能 短所 毎回パラメータを全てのshard間でやりとりしな いといけない． 収束は遅い（バッチ学習と同じ） 20
- 21. 方法3 Asynchronous Update 全ノードで共通のパラメータθを利用 各ワーカーは、現在のθを取得し、各担 当分のデータ上でθを更新 欠点：θにlockをとらないため、古いθ を元に更新を計算してしまう可能性． 実はそれでも収束保障はできるが遅い 21
- 22. 方法4 Iterative Parameter Mixture [Mann et al 09][Mcdonald et. Al. 10] Parameter Mixtureを少しだけ改造 1. データを分割しshardに配る 2. shard毎に最適化 3. 全部のθの平均をとる 4. θを再度各shardに配り1から繰り返す これは収束証明ができ、実際に高性能 • パラメータの通信がepoch毎のみに発生 • 一台で求めた場合と同じ結果を同じ更新回数 で得られる（線形のスケーラビリティ） • Shard毎にデータがばらついていても良い 22
- 23. 実験1 [K. Hall LCCC 2010] • クリックデータでクリックするかどうかを予測 • 訓練例数 3億7000万 • 200個のグループに分割し 240台のworkerでMapReduce • Iterative Parameter Mixtureが70倍の高速化と高性能を達成 23
- 24. 実験2 [K. Hall LCCC 2010] • 先ほどと同じデータ（Single-nodeではもう不可能） •訓練例数 16億 • 900個のグループに分割し 600台のworkerでMapReduce • Iterative Parameter Mixtureが同じく高速で高性能 24
- 25. 本日の概要 MapReduceと機械学習 機械学習でできること Apache Mahout 大規模並列分散処理の最前線 並列分散の機械学習 今後注目の技術 Dremel：対話的なアドホッククエリ 25
- 26. Dremel [S. Melnik+ VLDB 2010] 対話的な大規模データ解析基盤 1兆のデータに対するアドホッククエリの 結果が数秒で得られる MRと比べて低レイテンシ、簡単な統計処理のみ クエリ言語はSQL top-k, joinなど従来の操作を用意 各データは繰り返し有の木構造 （nested representation) Googleで2006年から利用 クロールデータの分析、障害分析、スパム解析、 Disk I/O、統計分析などに利用 BigQueryの裏でも利用 [wikipedia] 26
- 27. 列指向のデータ格納 列指向DBの考えを木構造に応用 各属性の値は木中の同じ位置毎に連続した領域に 確保される 一部の属性しかクエリに関係無い場合 大部分を読まずに済む 図は[S. Melnik+ VLDB 2010]より 27
- 28. 圧縮レコードの復元 クエリに関係するフィールドだけを復 元するオートマトンをその場で構築 各レコードには、繰り返し情報、定義深さ情報な ど復元に十分な情報が付属している 必要なデータのみを復元するためのオートマトン が生成されそれに従い復元される 28
- 29. クエリー処理アーキテクチャー 木構造 検索における クエリーサーバーと同じ クエリは根から葉に 向かって広がる 結果は葉から根に向かって集約しなが ら伝わる 部分結果の集約なのでボトルネックにはならない 29
- 30. Dremel 実験結果 各単語の出現回数を数える 850億レコード, 87TB, 270フィールド, 3000 ノード MapReduce 行指向 約3000秒 MapReduce 列指向 約1000秒 Dremel 約10秒強 一部のノードで時間がかかる 99%の結果は5秒以内、残りは数分かかる 列指向+必要な列だけ復元+木構造クエ リサーバーで大幅な高速化が可能 30
- 31. まとめ 機械学習+大規模分散並列は実用的 MapReduceと相性は基本的には良い 最新の機械学習手法も次々と分散並列化されてる Mahoutを利用して機械学習を試せる 基本的な手法はサポート より高度な手法やカスタマイズは自分でやる必要 MapReduceの補助にDremel MapReduceが苦手とする一部の列データ参照、 低レイテンシのアドホッククエリ処理が可能 将来的に高速な推論、分類に利用可能 31
- 32. 参考資料 [R. McDonald NAACL 2010] “Distributed Training Strategies for the Structured Perceptron”, R. McDonald, and et al. NAACL 2010 [G. Mann NIPS 2009] “Efficient Large-Scale Distributed Training of Conditional Maximum Entropy Models”, G. Mann and et al. NIPS 2009 [Y. Low UAI 2010] "GraphLab: A New Parallel Framework for Machine Learning.“, Y. Low and et al. UAI 2010 [J. Gonzalez AISTATS 2009] “Residual Splash for Optimally Parallelizing Belief Propagation”, J., and et al. AISTATS 2009 Gonzalez [K. Hall LCCC 2010] “MapReduce/Bigtable for Distributed Optimization”, K. Hall., and et al. LCCC 2010 32
- 33. 参考資料（続） [S. Singh LCCC 2010] “Distributed MAP Inference for Undirected Graphical Models”, S. Singh and et al. LCCC 2010 [S. Melnik VLDB 2010] “Dremel: Interactive Analysis of Web-Scale Datasets”, VLDB 2010 LCCC 2010: NIPS 2010 Workshop on Learning on Cores, Clusters and Clouds http://lccc.eecs.berkeley.edu/ 33