論文の概要: A Metaheuristic-based Machine Learning Approach for Energy Prediction in
Mobile App Development
- arxiv url: http://arxiv.org/abs/2306.09931v1
- Date: Fri, 16 Jun 2023 16:01:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 13:13:54.864390
- Title: A Metaheuristic-based Machine Learning Approach for Energy Prediction in
Mobile App Development
- Title(参考訳): メタヒューリスティック型機械学習によるモバイルアプリ開発におけるエネルギー予測
- Authors: Seyed Jalaleddin Mousavirad, Lu\'is A. Alexandre
- Abstract要約: 本稿では,モバイルアプリケーション開発におけるエネルギー予測のために,メタヒューリスティックなアプローチによって強化されたヒストグラムに基づく勾配促進分類装置(HGBC)を提案する。
以上の結果から,線形集団サイズ (L-SHADE) の差分進化に対する成功史に基づくパラメータ適応が最適であることがわかった。
- 参考スコア(独自算出の注目度): 1.933681537640272
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Energy consumption plays a vital role in mobile App development for
developers and end-users, and it is considered one of the most crucial factors
for purchasing a smartphone. In addition, in terms of sustainability, it is
essential to find methods to reduce the energy consumption of mobile devices
since the extensive use of billions of smartphones worldwide significantly
impacts the environment. Despite the existence of several energy-efficient
programming practices in Android, the leading mobile ecosystem, machine
learning-based energy prediction algorithms for mobile App development have yet
to be reported. Therefore, this paper proposes a histogram-based gradient
boosting classification machine (HGBC), boosted by a metaheuristic approach,
for energy prediction in mobile App development. Our metaheuristic approach is
responsible for two issues. First, it finds redundant and irrelevant features
without any noticeable change in performance. Second, it performs a
hyper-parameter tuning for the HGBC algorithm. Since our proposed metaheuristic
approach is algorithm-independent, we selected 12 algorithms for the search
strategy to find the optimal search algorithm. Our finding shows that a
success-history-based parameter adaption for differential evolution with linear
population size (L-SHADE) offers the best performance. It can improve
performance and decrease the number of features effectively. Our extensive set
of experiments clearly shows that our proposed approach can provide significant
results for energy consumption prediction.
- Abstract(参考訳): エネルギー消費は、開発者とエンドユーザにとってモバイルアプリケーション開発において重要な役割を担っており、スマートフォンを購入する上で最も重要な要素の1つと考えられている。
また、サステナビリティの観点からは、世界中の何十億ものスマートフォンの普及が環境に大きな影響を与えているため、モバイルデバイスのエネルギー消費を減らす方法を見つけることが不可欠である。
Androidにはエネルギ効率のよいプログラミングプラクティスがいくつかあるが、主要なモバイルエコシステムである、モバイルアプリ開発のための機械学習ベースのエネルギ予測アルゴリズムはまだ報告されていない。
そこで本稿では,モバイルアプリケーション開発におけるエネルギー予測のためのメタヒューリスティックアプローチにより強化されたヒストグラムに基づく勾配強調分類機(hgbc)を提案する。
メタヒューリスティックなアプローチは2つの問題に責任があります。
まず、パフォーマンスの明らかな変更なしに冗長で無関係な機能を見つけます。
第2に、HGBCアルゴリズムのハイパーパラメータチューニングを実行する。
提案するメタヒューリスティック手法はアルゴリズムに依存しないため,探索戦略のための12のアルゴリズムを選択し,最適な探索アルゴリズムを提案する。
以上の結果から,線形集団サイズ (L-SHADE) の差分進化に対する成功史に基づくパラメータ適応が最適であることがわかった。
パフォーマンスを改善し、機能数を効果的に減らすことができる。
実験の結果から,提案手法がエネルギー消費予測に有意な効果をもたらすことが明らかとなった。
関連論文リスト
- THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。
我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。
その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
論文 参考訳(メタデータ) (2025-01-27T03:29:02Z) - Smooth Handovers via Smoothed Online Learning [48.953313950521746]
まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。
本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。
本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
論文 参考訳(メタデータ) (2025-01-14T13:16:33Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳(メタデータ) (2024-12-18T14:11:15Z) - BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT [2.6872737601772956]
Mobile Edge IoT(MEIoT)では、トレーニングと通信プロセスはデバイスの限られたバッテリーリソースを著しく減らすことができる。
我々は,グローバルモデル精度の向上,全エネルギー消費の最小化,デバイス間のエネルギー利用格差の低減という,3つの目標のバランスを図るための共同最適化フレームワークであるBEFLを提案する。
実験の結果、BEFLはグローバルモデル精度を1.6%改善し、エネルギー消費のばらつきを72.7%低減し、既存の方法と比較して総エネルギー消費を28.2%低減することがわかった。
論文 参考訳(メタデータ) (2024-12-05T07:58:32Z) - Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。
本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。
本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文 参考訳(メタデータ) (2024-06-13T05:49:29Z) - Robust Energy Consumption Prediction with a Missing Value-Resilient Metaheuristic-based Neural Network in Mobile App Development [3.146076597280736]
我々はメタヒューリスティックアプローチによって強化された新しいニューラルネットワークベースのフレームワークを提案し、モバイルアプリ開発における堅牢なエネルギー予測を実現する。
13のベースと高度なメタヒューリスティックアルゴリズムを用いて、欠落した値に対する精度と耐性に基づいて最適なアルゴリズムを同定する。
提案手法はエネルギー消費予測を大幅に改善する。
論文 参考訳(メタデータ) (2023-09-21T21:01:43Z) - EPAM: A Predictive Energy Model for Mobile AI [6.451060076703027]
本稿では,異なるディープニューラルネットワーク(DNN)モデルと処理源を考慮したモバイルAIアプリケーションに関する総合的研究を紹介する。
4つの処理源を用いて,全モデルのレイテンシ,エネルギー消費,メモリ使用量を測定した。
私たちの研究は、CPU、GPU、NNAPIを使用して、異なるアプリケーション(ビジョンとノンビジョン)でモバイルAIがどのように振る舞うか、といった重要な洞察を強調しています。
論文 参考訳(メタデータ) (2023-03-02T09:11:23Z) - Towards Implementing Energy-aware Data-driven Intelligence for Smart
Health Applications on Mobile Platforms [4.648824029505978]
デバイス上でのディープラーニングフレームワークは、モバイルプラットフォームのコンピューティングリソースをシームレスに活用するのに熟練している。
しかし、モバイル機器のエネルギー資源は通常限られている。
我々はエネルギーを意識した適応モデル理解と実現を通じて新しい枠組みを導入する。
論文 参考訳(メタデータ) (2023-02-01T15:34:24Z) - 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) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳(メタデータ) (2020-12-22T02:54:18Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。