In both k-means and Apriori, we des

In both k-means and Apriori, we design bitmaps to encode information n on the GPU and to facilitate fast counting. In k-means,the bitmap represents the membership of data objects to clusters;
in Apriori, the bitmap stores occurrences of items in transactions.Such data structures utilize the GPU efficiently and significantly speed up the computation.As a result, our k-means is up to five
times faster than the prior GPU-based implementation [10], and our Apriori is an order of magnitude faster than the best CPU-basedApriori [8] implementation.

ผลลัพธ์ (ไทย) 1:

ใน k-หมายถึงทั้ง Apriori เราออกบิต การเข้ารหัสข้อมูล n บน GPU และ เพื่อความสะดวกในการตรวจนับรวดเร็ว ใน k-หมายถึง บิตแมปแสดงถึงการเป็นสมาชิกของคลัสเตอร์ วัตถุข้อมูล
ใน Apriori บิตเก็บในธุรกรรมที่เกิดขึ้นโครงสร้างข้อมูลดังกล่าวใช้ GPU มีประสิทธิภาพ และเร่งการคำนวณอย่างมากดัง วิธี k ของเรามีถึงห้า
เวลาเร็วกว่าก่อนใช้ GPU ใช้ [10], และ Apriori ของเรา เป็นการสั่งของขนาดได้เร็วกว่าการใช้งาน CPU-basedApriori [8] ที่สุด

ผลลัพธ์ (ไทย) 2:

ในทั้งสองหมายถึง k และ Apriori เราออกแบบบิตแมปการเข้ารหัสข้อมูล n บน GPU และเพื่ออำนวยความสะดวกในการนับอย่างรวดเร็ว ใน k-หมายถึงบิตแมปหมายถึงการเป็นสมาชิกของวัตถุข้อมูลไปยังกลุ่ม;
ใน Apriori, ร้านค้าบิตแมปที่เกิดขึ้นของรายการใน transactions.Such โครงสร้างข้อมูลที่ใช้ GPU ได้อย่างมีประสิทธิภาพและความเร็วมากขึ้น computation.As ผลให้ k-วิธีการของเรา เป็นได้ถึงห้า
ครั้งเร็วกว่าการดำเนิน GPU-based ก่อน [10] และ Apriori ของเราคือการลำดับความสำคัญได้เร็วกว่า basedApriori CPU [8] การดำเนินการที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

ทั้งในและ k-means แบบเราออกแบบบิตแมปเพื่อเข้ารหัสข้อมูลที่อยู่บน GPU และเพื่อความสะดวกรวดเร็วนับ ใน k-means , บิตแมปที่แสดงถึงการเป็นสมาชิกของวัตถุข้อมูลในแบบกลุ่ม ;
, บิตแมปการเกิดขึ้นของรายการในร้านค้ารายการ โครงสร้าง ข้อมูลดังกล่าวใช้ GPU อย่างมีประสิทธิภาพและเร่งความเร็วการคำนวณ ผล k-means ของเราถึงห้า
ครั้งเร็วกว่าก่อนการใช้ GPU จาก [ 10 ] และ แบบของเราเป็นคำสั่งของขนาดได้เร็วกว่าซีพียูที่ดีที่สุด basedapriori [ 8 ]

ใช้ .