Fugu-MT 論文翻訳(概要): Energy Efficiency Considerations for Popular AI Benchmarks

論文の概要: Energy Efficiency Considerations for Popular AI Benchmarks

arxiv url: http://arxiv.org/abs/2304.08359v1
Date: Mon, 17 Apr 2023 15:18:15 GMT
ステータス: 処理完了
システム内更新日: 2023-04-18 14:42:01.946521
Title: Energy Efficiency Considerations for Popular AI Benchmarks
Title（参考訳）: 人気AIベンチマークにおけるエネルギー効率の検討
Authors: Raphael Fischer and Matthias Jakobs and Katharina Morik
Abstract要約: 一般的なAIベンチマークに関する洞察を、合計100の実験で提供しています。我々の発見は、異なるデータセットがそれぞれがそれぞれの効率のランドスケープを持っていることの証拠であり、メソッドが多かれ少なかれ効率的に振る舞う可能性を示している。
参考スコア（独自算出の注目度）: 4.991046902153724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advances in artificial intelligence need to become more resource-aware and sustainable. This requires clear assessment and reporting of energy efficiency trade-offs, like sacrificing fast running time for higher predictive performance. While first methods for investigating efficiency have been proposed, we still lack comprehensive results for popular methods and data sets. In this work, we attempt to fill this information gap by providing empiric insights for popular AI benchmarks, with a total of 100 experiments. Our findings are evidence of how different data sets all have their own efficiency landscape, and show that methods can be more or less likely to act efficiently.
Abstract（参考訳）: 人工知能の進歩は、よりリソースを意識し持続的になる必要がある。これは、高い予測性能のために高速実行時間を犠牲にするなど、エネルギー効率のトレードオフの明確な評価と報告を必要とする。効率を調査するための最初の手法が提案されているが、一般的な手法やデータセットに対する包括的結果を欠いている。本研究では,一般的なAIベンチマークに対する経験的洞察を提供することによって,この情報ギャップを埋めようとしている。我々の発見は、異なるデータセットがそれぞれがそれぞれの効率のランドスケープを持っていることの証拠であり、メソッドが多かれ少なかれ効率的に動作できることを示しています。

関連論文リスト

KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
論文参考訳（メタデータ） (2024-11-22T08:21:03Z)
Green Recommender Systems: Optimizing Dataset Size for Energy-Efficient Algorithm Performance [0.10241134756773229]
本稿では,データセットサイズを最適化することで,エネルギー効率の高いアルゴリズムの性能向上の可能性について検討する。 MovieLens 100K, 1M, 10M, Amazon Toys and Gamesデータセットで実験を行った。
論文参考訳（メタデータ） (2024-10-12T04:00:55Z)
A Closer Look at Data Augmentation Strategies for Finetuning-Based Low/Few-Shot Object Detection [5.434078645728145]
本稿では、カスタムデータ拡張のモデル性能とエネルギー効率の両立と自動データ拡張選択戦略について検討する。多くの場合、データ拡張戦略の性能向上は、そのエネルギー使用量の増加によって、過度に隠蔽されていることが示されている。
論文参考訳（メタデータ） (2024-08-20T15:29:56Z)
Efficient-Empathy: Towards Efficient and Effective Selection of Empathy Data [32.483540066357]
感性・合理性スコアに基づくデータ選択アルゴリズムであるEfficient-Empathyを提案する。我々の訓練された感性モデルは、最先端(SoTA)の性能を効率的に達成する。感度と合理性データをMoE構造と組み合わせることで,さらに高い性能を実現する。
論文参考訳（メタデータ） (2024-07-02T04:11:52Z)
Efficient Methods for Natural Language Processing: A Survey [76.34572727185896]
本研究は, 効率的なNLPにおける現在の手法と知見を合成し, 関連づけるものである。我々は,限られた資源下でNLPを実施するためのガイダンスと,より効率的な手法を開発するための有望な研究方向性の両立を目指す。
論文参考訳（メタデータ） (2022-08-31T20:32:35Z)
Data-Centric Green AI: An Exploratory Empirical Study [6.4265933507484]
データ中心のアプローチがAIエネルギー効率に与える影響について検討する。以上の結果から,データセットの変更を排他的に行うことで,エネルギー消費を大幅に削減できることが示唆された。我々の研究成果は、グリーンAIをさらに有効化し民主化するためのデータ中心技術に焦点を当てた研究課題である。
論文参考訳（メタデータ） (2022-04-06T12:22:43Z)
Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文参考訳（メタデータ） (2022-01-31T13:01:37Z)
DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。よりデータ効率の高いifOアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-31T23:46:32Z)
Unsupervised Learning of slow features for Data Efficient Regression [15.73372211126635]
本稿では、遅延表現に時間的類似性制約を適用した$beta$-VAEの拡張である、遅い変分オートエンコーダ(S-VAE)を提案する。合成2次元球追跡データセットと、最近の学習環境からのデータセットとDeepMind Lab環境から生成されたデータセットを用いて、下流タスクのデータ効率に対する3つの手法を評価する。
論文参考訳（メタデータ） (2020-12-11T12:19:45Z)
Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。 UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
論文参考訳（メタデータ） (2020-08-30T15:38:44Z)
HULK: An Energy Efficiency Benchmark Platform for Responsible Natural Language Processing [76.38975568873765]
本稿では,自然言語処理のためのマルチタスクエネルギー効率ベンチマークプラットフォームであるHULKを紹介する。我々は、事前訓練されたモデルのエネルギー効率を時間とコストの観点から比較する。
論文参考訳（メタデータ） (2020-02-14T01:04:19Z)

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。