IBM研究院與瑞士洛桑聯邦理工學院共同于2017 NIPS Conference發表大數據機器學習解決方案，此方法可以利用GPU在一分鐘內處理完30GB的訓練數據集，是現存有限內存訓練方法的10倍。

　　研究團隊表示，機器訓練在大數據時代遇到的挑戰是動輒TB等級起跳的訓練數據，這是常見卻又棘手的問題，或許一臺有足夠內存容量的服務器，就能將所有訓練數據都加載內存中進行運算，但是仍要花費數小時，甚至是數周。

　　他們認為，目前如GPU等特殊的運算硬件，的確能有效加速運算，但僅限于運算密集的工作，而非數據密集的任務。 如果想要善用GPU運算密集的優勢，便需要把數據預先加載到GPU內存，而目前GPU內存的容量最多只有16GB，對于機器學習實作來說并不算寬裕。

　　批次作業看似是一個可行的方法，將訓練數據切分成一塊一塊，并且依造順序加載至GPU做模型訓練，不過經實驗發現，從CPU將數據搬移進GPU的傳輸成本，完全蓋過將數據放進GPU高速運算所帶來的好處。 ，IBM研究員Celestine Dünner表示，在GPU做機器學習最大的挑戰，就是不能把所有的數據都丟進內存里面。

　　為了解決這樣的問題，研究團隊開發為訓練數據集標記重要性的技術，因此訓練只使用重要的數據，那多數不必要的數據就不需要送進GPU，藉此大大節省訓練的時間。 像是要訓練分辨狗與貓圖片的模型，一旦模型發現貓跟狗的差異之一為貓耳必定比狗小，系統將保留這項特征，在往后的訓練模型中都不再重復回顧這個特征，因此模型的訓練會越來越快。 IBM研究員Thomas Parnell表示，這樣的特性便于更頻繁的訓練模型，也能更及時的調整模型。

　　這個技術是用來衡量每個數據點對學習算法的貢獻有多少，主要利用二元差距的概念并及時影響調整訓練算法。 將這個方法實際應用，研究團隊在異質平臺(Heterogeneous compute platforms)上，為機器學習訓練模型開發了一個全新可重復使用的組件DuHL，專為二元差距的異質學習之用。

　　IBM表示，他們的下一個目標是在云端上提供DuHL，因為目前云端GPU服務的計費單位是小時，如果訓練模型的時間從十小時縮短為一小時，那成本節省將非常驚人。

　　(上圖)圖中顯示了三種算法所需的時間，包含DuHL在大規模的支持向量機的表現，所使用的數據集都為30GB的ImageNet數據庫，硬件為內存8GB的NVIDIA Quadro M4000 GPU， 圖中可以發現GPU序列批次的效率，甚至比單純CPU的方法還要糟，而DuHL的速度為其他兩種方法的10倍以上。