論文の概要: EMERS: Energy Meter for Recommender Systems

• arxiv url: http://arxiv.org/abs/2409.15060v1
• Date: Mon, 23 Sep 2024 14:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 14:58:10.871437
• Title: EMERS: Energy Meter for Recommender Systems
• Title（参考訳）: EMERS:レコメンダシステムのためのエネルギーメータ
• Authors: Lukas Wegmeth, Tobias Vente, Alan Said, Joeran Beel,
• Abstract要約: EMERSは,推奨システム実験のエネルギー消費の測定,監視,記録,共有を簡単にするソフトウェアライブラリである。 EMERSは、スマート電源プラグを用いてエネルギー消費を測定し、推奨システム実験のエネルギー消費を監視し比較するためのユーザインターフェースを提供する。
• 参考スコア（独自算出の注目度）: 0.24374097382908472
• License:
• Abstract: Due to recent advancements in machine learning, recommender systems use increasingly more energy for training, evaluation, and deployment. However, the recommender systems community often does not report the energy consumption of their experiments. In today's research landscape, no tools exist to easily measure the energy consumption of recommender systems experiments. To bridge this gap, we introduce EMERS, the first software library that simplifies measuring, monitoring, recording, and sharing the energy consumption of recommender systems experiments. EMERS measures energy consumption with smart power plugs and offers a user interface to monitor and compare the energy consumption of recommender systems experiments. Thereby, EMERS improves sustainability awareness and simplifies self-reporting energy consumption for recommender systems practitioners and researchers.
• Abstract（参考訳）: 機械学習の最近の進歩により、リコメンダシステムはトレーニング、評価、デプロイメントにますます多くのエネルギーを使用するようになった。 しかし、推奨システムコミュニティは実験のエネルギー消費を報告しないことが多い。 今日の研究ランドスケープでは、推奨システム実験のエネルギー消費を簡単に測定するためのツールが存在しない。 このギャップを埋めるために、推奨システム実験のエネルギー消費を簡易化、監視、記録、共有する最初のソフトウェアライブラリであるEMERSを紹介します。 EMERSは、スマート電源プラグを用いてエネルギー消費を測定し、推奨システム実験のエネルギー消費を監視し比較するためのユーザインターフェースを提供する。 これにより、EMERSはサステナビリティ認識を改善し、レコメンデーションシステム実践者や研究者の自己報告エネルギー消費を簡素化する。

関連論文リスト

• Just In Time Transformers [2.7350304370706797]
  JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。 本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-10-22T10:33:00Z)
• Coca4ai: checking energy behaviors on AI data centers [0.12997390777731951]
  本稿では,データセンター全体の規模でのエネルギー挙動の簡易かつ軽量なモニタリングという概念の実証について述べる。 結果は、効率性の観点から興味深い可能性があり、ユーザーエンゲージメントを生み出すための議論を提供することを示している。
  論文  参考訳（メタデータ） (2024-07-22T14:33:10Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• Appliance Operation Modes Identification Using Cycles Clustering [3.328276101150529]
  IoT(Internet of Things)と機械学習(ML)は、効率よくエネルギーを保存できる技術を提供します。 SHEMSは、住宅部門における需要対応(DR)の適用を通じて、省エネルギーに貢献する可能性があります。
  論文  参考訳（メタデータ） (2021-01-25T23:25:45Z)
• Reshaping consumption habits by exploiting energy-related micro-moment recommendations: A case study [2.741120981602367]
  この研究は、消費ログから繰り返し使われるパターンを検出することに基づいている。 これは、センサ、スマートメーター、アクチュエータのセットを使用するエネルギー消費削減システムの構造と運用を示す。 システムは、適切なタイミングで適切な省エネ行動を行うことをユーザに推奨し、徐々にユーザの習慣を形作る。
  論文  参考訳（メタデータ） (2020-10-09T17:29:56Z)
• Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
  エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。 本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
  論文  参考訳（メタデータ） (2020-04-20T21:05:25Z)
• 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)
• 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。