Fugu-MT 論文翻訳(概要): Towards energy-efficient Deep Learning: An overview of energy-efficient approaches along the Deep Learning Lifecycle

論文の概要: Towards energy-efficient Deep Learning: An overview of energy-efficient approaches along the Deep Learning Lifecycle

arxiv url: http://arxiv.org/abs/2303.01980v1
Date: Sun, 5 Feb 2023 11:36:51 GMT
ステータス: 処理完了
システム内更新日: 2023-03-12 03:48:44.178993
Title: Towards energy-efficient Deep Learning: An overview of energy-efficient approaches along the Deep Learning Lifecycle
Title（参考訳）: エネルギー効率向上を目指した深層学習 : 深層学習ライフサイクルにおける省エネルギー的アプローチの概観
Authors: Vanessa Mehlin, Sigurd Schacht, Carsten Lanquillon
Abstract要約: エネルギー効率の高いディープラーニングは研究者から多くの注目を集めており、この2年ですでに多くの進歩を遂げている。本稿は、これらの進歩に関する情報を文献から収集し、エネルギー消費の削減がいかに可能かを示すことを目的とする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Deep Learning has enabled many advances in machine learning applications in the last few years. However, since current Deep Learning algorithms require much energy for computations, there are growing concerns about the associated environmental costs. Energy-efficient Deep Learning has received much attention from researchers and has already made much progress in the last couple of years. This paper aims to gather information about these advances from the literature and show how and at which points along the lifecycle of Deep Learning (IT-Infrastructure, Data, Modeling, Training, Deployment, Evaluation) it is possible to reduce energy consumption.
Abstract（参考訳）: ディープラーニングは、ここ数年で機械学習アプリケーションに多くの進歩をもたらした。しかし、現在のディープラーニングアルゴリズムは計算に多くのエネルギーを必要とするため、関連する環境コストに対する懸念が高まっている。エネルギー効率の高いディープラーニングは研究者から注目を集めており、この2年ですでに大きな進歩を遂げている。本稿では,これらの進歩に関する情報を文献から収集し,Deep Learning(IT-Infrastructure, Data, Modeling, Training, Deployment, Evaluation)のライフサイクルに沿ったポイントがどのようにエネルギー消費を削減できるかを示す。

関連論文リスト

Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文参考訳（メタデータ） (2023-08-27T03:55:28Z)
Deep Learning to See: Towards New Foundations of Computer Vision [88.69805848302266]
この本はコンピュータビジョンの分野における科学的進歩を批判している。情報に基づく自然法則の枠組みにおける視覚の研究を提案する。
論文参考訳（メタデータ） (2022-06-30T15:20:36Z)
Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文参考訳（メタデータ） (2022-01-15T15:03:17Z)
A Survey on Green Deep Learning [25.71572024291251]
本稿では,グリーンディープラーニング技術の発展を体系的にレビューすることに焦点を当てる。提案手法は,(1)コンパクトネットワーク,(2)エネルギー効率のトレーニング戦略,(3)エネルギー効率の推論アプローチ,(4)データ利用率の4つのカテゴリに分類される。
論文参考訳（メタデータ） (2021-11-08T16:55:03Z)
Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
論文参考訳（メタデータ） (2021-09-12T09:40:18Z)
Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。ディープラーニングは、独自の機械学習のサブフィールドになっている。生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文参考訳（メタデータ） (2021-05-29T21:02:44Z)
Weight Initialization Techniques for Deep Learning Algorithms in Remote Sensing: Recent Trends and Future Perspectives [0.9624643581968988]
本論文は,深層学習モデルにおける重み初期化に着目した最初の調査である。実践者がこの有望な分野でさらなる研究を進めるのに役立つだろう。
論文参考訳（メタデータ） (2021-02-13T21:21:16Z)
Discussion of Ensemble Learning under the Era of Deep Learning [4.061135251278187]
深層学習のアンサンブル化は,学習システムの一般化に大きく貢献している。複数のベース深層学習者のトレーニングとアンサンブル深層学習者によるテストのための時間と空間のオーバーヘッドは、従来のアンサンブル学習よりもはるかに大きい。緊急に解決すべき問題は、必要な時間と空間のオーバーヘッドを減らしながら、ディープラーニングをアンサンブルする大きな利点をいかに活用するかである。
論文参考訳（メタデータ） (2021-01-21T01:33:23Z)
Deep Learning in EEG: Advance of the Last Ten-Year Critical Period [16.437704026938146]
ディープラーニングは幅広い領域、特に音声認識やコンピュータビジョンにおいて優れた性能を発揮している。脳波の研究は比較的少ないが、この10年で大きな進歩が続いている。本稿ではまず,脳波信号のアーティファクト除去について簡単に述べるとともに,脳波処理や分類に活用されているディープラーニングモデルを紹介する。脳波の深層学習の応用は、脳-コンピュータインタフェース、疾患検出、感情認識などのグループに分類することで検証される。
論文参考訳（メタデータ） (2020-11-22T22:34:26Z)
The Computational Limits of Deep Learning [0.20072624123275526]
この記事では、この依存関係の程度をカタログ化し、幅広いアプリケーションにわたる進歩が、コンピューティングパワーの増大に強く依存していることを示します。この依存を外挿すると、現在の路線の進展は経済的、技術的、環境的にも急速に持続不可能になりつつあることが分かる。
論文参考訳（メタデータ） (2020-07-10T18:26:17Z)
Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
論文参考訳（メタデータ） (2020-05-04T17:00:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。