Memory-Efficient Bit-Level GPU Optimizations for Action Rule Mining
| Thesis title: | Memory-Efficient Bit-Level GPU Optimizations for Action Rule Mining |
|---|---|
| Author: | Karpe, Vladislav |
| Thesis type: | Bachelor thesis |
| Supervisor: | Sýkora, Lukáš |
| Opponents: | Máša, Petr |
| Thesis language: | English |
| Abstract: | Action rule mining identifies attribute changes that move records from an undesired to a desired class. This thesis rebuilds the Action-Apriori algorithm around a packed-bitset rep- resentation: support for many candidates is counted in a single bitwise pass, executed on the CPU or by a custom CUDA kernel on the GPU. An autotuner selects the backend from dataset characteristics, and an asynchronous warmup overlaps CUDA initialization with data preprocessing. On three real classification datasets, the autotuned miner is an order of magnitude faster than the reference action-rules package on the smaller two. On the largest, it finishes in 1.5 seconds while the reference does not complete within fifteen minutes; peak RAM on the adult dataset drops from 2.3 GB to 42 MB. The same bitset core is also exposed as a standalone frequent-itemset miner, beating pyfim Eclat — the fastest Python implementation tested — on the largest dataset. Every configuration produces identical rule sets, so the runtime gains do not change what the miner finds. |
| Keywords: | GPU acceleration; CUDA; parallelization; packed bitsets; action rule mining; frequent itemset mining; open-source; Action-Apriori |
| Thesis title: | Paměťově Efektivní Bitové Optimalizace Pro Action Rule Mining Na GPU |
|---|---|
| Author: | Karpe, Vladislav |
| Thesis type: | Bakalářská práce |
| Supervisor: | Sýkora, Lukáš |
| Opponents: | Máša, Petr |
| Thesis language: | English |
| Abstract: | Dolování akčních pravidel (action rule mining) identifikuje změny atributů, které vedou k přesunu záznamů z nežádoucí do žádoucí třídy. Tato práce přepracovává algoritmus Action-Apriori pomocí reprezentace založené na kompaktních bitových vektorech (packed bitsets), díky níž lze podporu velkého množství kandidátů počítat v jediném průchodu pomocí bitových operací prováděných buď na CPU, nebo prostřednictvím vlastní CUDA implementace na GPU. Autotuner vybírá vhodný backend na základě charakteristik datasetu a asynchronní warm-up fáze překrývá inicializaci CUDA s předzpracováním dat. Na třech reálných klasifikačních datasetech dosahuje autotuned implementace oproti referenčnímu balíčku action-rules řádově vyšší rychlosti u dvou menších datasetů. U největšího datasetu dokončí výpočet za 1,5 sekundy, zatímco referenční implementace nedokončí běh ani po patnácti minutách. Na datasetu Adult zároveň klesá maximální využití operační paměti z 2,3 GB na 42 MB. Stejné bitové jádro je rovněž dostupné jako samostatný algoritmus pro dolování frekventovaných itemsetů, kde na největším datasetu překonává pyfim Eclat, nejrychlejší testovanou implementaci v Pythonu. Ve všech konfiguracích jsou generovány identické množiny pravidel, takže dosažené výkonové zlepšení nemění výsledky samotného dolování. |
| Keywords: | action rule mining; GPU akcelerace; Action-Apriori; packed bitsets; CUDA; dolování frekventovaných itemsetů; paralelizace; open-source software |
Information about study
| Study programme: | Aplikovaná informatika |
|---|---|
| Type of study programme: | Bakalářský studijní program |
| Assigned degree: | Bc. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Information and Knowledge Engineering |
Information on submission and defense
| Date of assignment: | 29. 10. 2025 |
|---|---|
| Date of submission: | 11. 5. 2026 |
| Date of defense: | 15. 6. 2026 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/94284/podrobnosti |