論文の概要: Robust Energy Consumption Prediction with a Missing Value-Resilient
Metaheuristic-based Neural Network in Mobile App Development
- arxiv url: http://arxiv.org/abs/2309.12484v1
- Date: Thu, 21 Sep 2023 21:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 16:41:12.480174
- Title: Robust Energy Consumption Prediction with a Missing Value-Resilient
Metaheuristic-based Neural Network in Mobile App Development
- Title(参考訳): モバイルアプリ開発におけるバリューレジリエントなメタヒューリスティックベースニューラルネットワークによるロバストエネルギー消費予測
- Authors: Seyed Jalaleddin Mousavirad, Lu\'is A. Alexandre
- Abstract要約: 我々は,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ために,ニューラルネットワークベースの新しいフレームワークを提案する。
ここでのメタヒューリスティックなアプローチは、適切な学習アルゴリズムを識別するだけでなく、各レイヤ内の最適なレイヤ数やニューロンを決定する上でも重要な役割を果たす。
- 参考スコア(独自算出の注目度): 1.9336815376402723
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Energy consumption is a fundamental concern in mobile application
development, bearing substantial significance for both developers and
end-users. Moreover, it is a critical determinant in the consumer's
decision-making process when considering a smartphone purchase. From the
sustainability perspective, it becomes imperative to explore approaches aimed
at mitigating the energy consumption of mobile devices, given the significant
global consequences arising from the extensive utilisation of billions of
smartphones, which imparts a profound environmental impact. Despite the
existence of various energy-efficient programming practices within the Android
platform, the dominant mobile ecosystem, there remains a need for documented
machine learning-based energy prediction algorithms tailored explicitly for
mobile app development. Hence, the main objective of this research is to
propose a novel neural network-based framework, enhanced by a metaheuristic
approach, to achieve robust energy prediction in the context of mobile app
development. The metaheuristic approach here plays a crucial role in not only
identifying suitable learning algorithms and their corresponding parameters but
also determining the optimal number of layers and neurons within each layer. To
the best of our knowledge, prior studies have yet to employ any metaheuristic
algorithm to address all these hyperparameters simultaneously. Moreover, due to
limitations in accessing certain aspects of a mobile phone, there might be
missing data in the data set, and the proposed framework can handle this. In
addition, we conducted an optimal algorithm selection strategy, employing 13
metaheuristic algorithms, to identify the best algorithm based on accuracy and
resistance to missing values. The comprehensive experiments demonstrate that
our proposed approach yields significant outcomes for energy consumption
prediction.
- Abstract(参考訳): エネルギー消費はモバイルアプリケーション開発における基本的な関心事であり、開発者とエンドユーザ双方にとって大きな意味を持つ。
また、スマートフォン購入を考慮すれば、消費者の意思決定プロセスにおいて重要な決定要因となる。
持続可能性の観点からは、何十億ものスマートフォンが広範囲に利用され、環境に大きな影響を与えることによる大きな世界的な影響を考えると、モバイルデバイスのエネルギー消費の緩和を目的としたアプローチを探求することが不可欠となる。
androidプラットフォームにさまざまなエネルギ効率の高いプログラミングプラクティスが存在するにも関わらず、モバイルアプリ開発のために明示的に調整された機械学習ベースのエネルギ予測アルゴリズムの必要性は残っている。
そこで本研究の目的は,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ことである。
ここでのメタヒューリスティックなアプローチは、適切な学習アルゴリズムとその対応するパラメータを識別するだけでなく、各層内の最適な層数とニューロンを決定する上で重要な役割を果たす。
我々の知る限りでは、これまでの研究ではこれらのハイパーパラメータを同時に扱うためにメタヒューリスティックなアルゴリズムは使われていない。
さらに、携帯電話の特定の側面へのアクセスに制限があるため、データセットに欠落したデータがあり、提案したフレームワークがこれを扱うことができる。
さらに,13のメタヒューリスティックアルゴリズムを用いた最適アルゴリズム選択手法を提案し,その精度と欠落値に対する耐性に基づいて最適なアルゴリズムを同定した。
包括的実験により,提案手法がエネルギー消費予測に有意な結果をもたらすことを実証した。
関連論文リスト
- Advanced Intelligent Optimization Algorithms for Multi-Objective Optimal Power Flow in Future Power Systems: A Review [1.450405446885067]
多目的最適潮流(MOPF)へのインテリジェント最適化アルゴリズムの適用について
再生可能エネルギーの統合、スマートグリッド、エネルギー需要の増加による課題を掘り下げている。
アルゴリズムの選択は、現在ある特定のMOPF問題に近づき、ハイブリッドアプローチは大きな可能性を秘めている。
論文 参考訳(メタデータ) (2024-04-14T09:44:08Z) - Mobility and Cost Aware Inference Accelerating Algorithm for Edge
Intelligence [24.512525338942158]
近年,エッジインテリジェンス(EI)が広く採用されている。デバイス,エッジサーバ,クラウド間のモデルを分割することで,EIの性能が大幅に向上する。
ユーザモビリティのないモデルセグメンテーションは,これまでにも深く研究されてきた。
本稿では,エッジでの推論を高速化するためのモビリティとコストを考慮したモデルセグメンテーションと資源配分アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-27T10:04:02Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳(メタデータ) (2023-10-21T12:07:04Z) - 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) - 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) - 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) - Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。
MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。
本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-09-02T07:37:10Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳(メタデータ) (2020-11-26T00:32:07Z) - 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。