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
- Maximizing Discrimination Capability of Knowledge Distillation with
Energy Function [12.615509935080436]
コンピュータビジョン技術のためのエネルギーベースの知識蒸留法を提案する。
我々は,Energy KDが様々なデータセット上で優れた性能を発揮することを示す。
本論文は,知識蒸留とデータ拡張におけるエネルギー機能の利用に向けた最初の試みである。
論文 参考訳(メタデータ) (2023-11-24T08:16:10Z) - 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) - Building an Efficiency Pipeline: Commutativity and Cumulativeness of
Efficiency Operators for Transformers [68.55472265775514]
モデルに適用した演算子として効率性を考える。
本稿では,このアイデアの妥当性と,効率作用素の可換性と累積性について検討する。
論文 参考訳(メタデータ) (2022-07-31T18:01:06Z) - 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) - Social and Governance Implications of Improved Data Efficiency [0.0]
本稿では,データ効率の向上による社会的・経済的影響について考察する。
プライバシー、データ市場、堅牢性、誤用に対する影響は複雑である。
論文 参考訳(メタデータ) (2020-01-14T22:26:12Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。