論文の概要: Techniques for Improving the Energy Efficiency of Mobile Apps: A
Taxonomy and Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2308.08292v1
- Date: Wed, 16 Aug 2023 11:37:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 14:10:32.290445
- Title: Techniques for Improving the Energy Efficiency of Mobile Apps: A
Taxonomy and Systematic Literature Review
- Title(参考訳): モバイルアプリケーションのエネルギ効率向上のための技術--分類学と体系的文献レビュー
- Authors: Stefan Huber, Tobias Lorey, Michael Felderer
- Abstract要約: 我々は、開発者がモバイルアプリのエネルギー効率を向上できる技術に関する情報を集めるために、体系的な文献レビューを実施している。
モバイルアプリのエネルギー効率を向上させる手法の分類法を提案する。
- 参考スコア(独自算出の注目度): 6.040452803295326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building energy efficient software is an increasingly important task for
mobile developers. However, a cumulative body of knowledge of techniques that
support this goal does not exist. We conduct a systematic literature review to
gather information on existing techniques that allow developers to increase
energy efficiency in mobile apps. Based on a synthesis of the 91 included
primary studies, we propose a taxonomy of techniques for improving the energy
efficiency in mobile apps. The taxonomy includes seven main categories of
techniques and serves as a collection of available methods for developers and
as a reference guide for software testers when performing energy efficiency
testing by the means of benchmark tests.
- Abstract(参考訳): エネルギー効率の良いソフトウェアを構築することは、モバイル開発者にとってますます重要なタスクである。
しかし、この目標を支える技術に関する累積的な知識は存在していない。
我々は,モバイルアプリのエネルギー効率を向上させる既存の技術に関する情報を集めるために,体系的な文献レビューを実施している。
91の一次研究を合成し,モバイルアプリケーションにおけるエネルギー効率向上のための手法の分類法を提案する。
分類学には7つの主要なテクニックカテゴリが含まれており、開発者が利用可能なメソッドのコレクションとして機能し、ベンチマークテストによってエネルギー効率テストを行う際のソフトウェアテスターのリファレンスガイドとして機能する。
関連論文リスト
- Towards Coarse-to-Fine Evaluation of Inference Efficiency for Large Language Models [95.96734086126469]
大規模言語モデル(LLM)は、ユーザが仕事を達成するのを助けるアシスタントとして機能し、高度なアプリケーションの開発をサポートする。
LLMの幅広い応用にとって、推論効率は重要な問題であり、既存の研究で広く研究されている。
各種コードライブラリの推論性能の粗大な解析を行う。
論文 参考訳(メタデータ) (2024-04-17T15:57:50Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳(メタデータ) (2023-12-01T16:00:25Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳(メタデータ) (2023-10-28T06:31:06Z) - A Metaheuristic-based Machine Learning Approach for Energy Prediction in
Mobile App Development [1.933681537640272]
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。
論文 参考訳(メタデータ) (2023-06-16T16:01:50Z) - On the Identification of the Energy related Issues from the App Reviews [0.0]
アプリのエネルギ非効率性は、App Storeで広く議論されているアプリユーザーにとって大きな問題となる可能性がある。
これまでの研究では、エネルギー関連アプリのレビューを調査して、エネルギー関連ユーザのフィードバックの主要な原因やカテゴリを特定することが重要であった。
本研究では,エネルギー関連ユーザのフィードバックを自動的に抽出する様々な手法を実証的に研究する。
論文 参考訳(メタデータ) (2023-04-22T01:54:30Z) - 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) - Machine Learning for a Sustainable Energy Future [8.421378169245827]
機械学習によるエネルギー研究の最近の進歩を概観する。
我々は,エネルギー収穫の発展にMLを適用した最新の技術について論じ,評価を行った。
我々は、MLの適用によるさらなる利益を目論むエネルギー分野の潜在的研究分野の展望を提供する。
論文 参考訳(メタデータ) (2022-10-19T08:59:53Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳(メタデータ) (2022-06-05T14:52:26Z) - CitationIE: Leveraging the Citation Graph for Scientific Information
Extraction [89.33938657493765]
引用論文と引用論文の参照リンクの引用グラフを使用する。
最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
論文 参考訳(メタデータ) (2021-06-03T03:00:12Z) - ReviewViz: Assisting Developers Perform Empirical Study on Energy
Consumption Related Reviews for Mobile Applications [2.1320960069210484]
本研究では,機械学習アルゴリズムとテキスト機能を用いて,エネルギー消費別レビューを自動的に識別する。
開発者がレビューで議論される主要なトピックを抽出するのを助けるために、アートトピックモデリングアルゴリズムの2つの状態が適用される。
Webブラウザベースのインタラクティブな視覚化ツールの開発は、アプリ開発者に洞察を与える目的で開発された新しいフレームワークである。
論文 参考訳(メタデータ) (2020-09-13T15:47:46Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳(メタデータ) (2020-01-31T05:12:59Z)
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。