論文の概要: GAISSALabel: A tool for energy labeling of ML models
- arxiv url: http://arxiv.org/abs/2401.17150v1
- Date: Tue, 30 Jan 2024 16:31:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:20:44.095287
- Title: GAISSALabel: A tool for energy labeling of ML models
- Title(参考訳): GAISSALabel:MLモデルのエネルギーラベル付けツール
- Authors: Pau Duran, Joel Casta\~no, Cristina G\'omez, Silverio
Mart\'inez-Fern\'andez
- Abstract要約: 本稿では,機械学習モデルのエネルギー効率の評価とラベル付けを目的としたWebベースのツールであるGAISSALabelを紹介する。
このツールの適応性は、提案されたラベルシステムのカスタマイズを可能にし、急速に進化するML分野におけるその関連性を保証する。
- 参考スコア(独自算出の注目度): 1.5899411215927992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: The increasing environmental impact of Information Technologies,
particularly in Machine Learning (ML), highlights the need for sustainable
practices in software engineering. The escalating complexity and energy
consumption of ML models need tools for assessing and improving their energy
efficiency. Goal: This paper introduces GAISSALabel, a web-based tool designed
to evaluate and label the energy efficiency of ML models. Method: GAISSALabel
is a technology transfer development from a former research on energy
efficiency classification of ML, consisting of a holistic tool for assessing
both the training and inference phases of ML models, considering various
metrics such as power draw, model size efficiency, CO2e emissions and more.
Results: GAISSALabel offers a labeling system for energy efficiency, akin to
labels on consumer appliances, making it accessible to ML stakeholders of
varying backgrounds. The tool's adaptability allows for customization in the
proposed labeling system, ensuring its relevance in the rapidly evolving ML
field. Conclusions: GAISSALabel represents a significant step forward in
sustainable software engineering, offering a solution for balancing
high-performance ML models with environmental impacts. The tool's effectiveness
and market relevance will be further assessed through planned evaluations using
the Technology Acceptance Model.
- Abstract(参考訳): 背景: 情報技術,特に機械学習(ML)における環境影響の増大は,ソフトウェアエンジニアリングにおける持続可能なプラクティスの必要性を強調している。
MLモデルの複雑さの増大とエネルギー消費は、そのエネルギー効率を評価し改善するためのツールを必要とする。
Goal: 本稿では,MLモデルのエネルギー効率を評価し,評価するためのWebベースのツールであるGAISSALabelを紹介する。
方法:GAISSALabelはMLのエネルギー効率分類に関する以前の研究から得られた技術移転開発であり、パワードロー、モデルサイズ効率、CO2e排出などの様々な指標を考慮して、MLモデルのトレーニングと推論フェーズの両方を評価するための総合的なツールからなる。
結果:GAISSALabelは、消費者家電のラベルと同様、エネルギー効率のラベルシステムを提供しており、さまざまなバックグラウンドを持つML利害関係者にアクセスできる。
このツールの適応性は、提案されたラベルシステムのカスタマイズを可能にし、急速に進化するML分野におけるその関連性を保証する。
結論: GAISSALabelは持続可能なソフトウェアエンジニアリングにおける重要な一歩であり、高性能なMLモデルを環境への影響とバランスさせるソリューションを提供する。
このツールの有効性と市場関連性は、Technology Acceptance Modelを用いて計画された評価によってさらに評価される。
関連論文リスト
- EDALearn: A Comprehensive RTL-to-Signoff EDA Benchmark for Democratized
and Reproducible ML for EDA Research [5.093676641214663]
我々はEDALearnを紹介した。EDALearnは、EDAの機械学習タスクに特化した、最初の包括的なオープンソースベンチマークスイートである。
このベンチマークスイートは、合成から物理実装までのエンドツーエンドのフローを示し、さまざまなステージにわたるデータ収集を強化する。
私たちの貢献はML-EDAドメインのさらなる進歩を促進することを目的としています。
論文 参考訳(メタデータ) (2023-12-04T06:51:46Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [81.05543515700154]
多目的生成AIシステムは、機械学習(ML)モデルを技術に組み込む統一的なアプローチを約束する。
この「一般性」という野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳(メタデータ) (2023-11-28T15:09:36Z) - Efficiency is Not Enough: A Critical Perspective of Environmentally
Sustainable AI [9.918392710009774]
効率だけではMLを環境的に持続できる技術にするには不十分である、と我々は主張する。
我々は,MLの環境持続可能性向上に向けたシステム思考の実践的道として,システム思考を論じる。
論文 参考訳(メタデータ) (2023-09-05T09:07:24Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data
Selection for Instruction Tuning [54.222609226692015]
我々は大規模言語モデルのための自己誘導手法を導入し、大規模なオープンソースデータセットからサクラサンプルを自律的に識別し、選択する。
私たちの重要なイノベーションであるIFD(Instruction-Following Difficulty)メトリックは、モデルが期待する応答と自動生成技術との間の相違を識別するための重要なツールとして現れます。
論文 参考訳(メタデータ) (2023-08-23T09:45:29Z) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳(メタデータ) (2023-07-19T01:05:33Z) - Towards Sustainable Deep Learning for Multi-Label Classification on NILM [0.5809784853115825]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、単一計測点からアプライアンスレベルのデータを取得するプロセスである。
本稿では,NILMのマルチラベル分類を改良した新しいDLモデルを提案する。
最先端モデルと比較して、提案モデルではカーボンフットプリントを23%以上削減し、平均8ポイントの性能向上を実現している。
論文 参考訳(メタデータ) (2023-07-18T13:23:23Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - 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) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳(メタデータ) (2020-11-03T07:49:15Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - MLModelScope: A Distributed Platform for Model Evaluation and
Benchmarking at Scale [32.62513495487506]
機械学習(ML)とディープラーニング(DL)のイノベーションは急速に導入され、研究者はそれらを分析して研究することが難しくなっている。
ML/DL評価の標準化と提供方法の欠如とともに、イノベーションを評価するための複雑な手続きは、コミュニティにとって大きな「痛点」である。
本稿では,MLModelScopeを提案する。MLModelScopeは,フレームワークやハードウェアに依存しない,カスタマイズ可能な設計で,反復可能で公平でスケーラブルなモデル評価とベンチマークを可能にする。
論文 参考訳(メタデータ) (2020-02-19T17:13:01Z)
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。