論文の概要: Metadata-Guided Adaptable Frequency Scaling across Heterogeneous Applications and Devices

• arxiv url: http://arxiv.org/abs/2509.22707v1
• Date: Tue, 23 Sep 2025 10:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.811697
• Title: Metadata-Guided Adaptable Frequency Scaling across Heterogeneous Applications and Devices
• Title（参考訳）: 異種アプリケーションとデバイス間でのメタデータ誘導適応周波数スケーリング
• Authors: Jinqi Yan, Fang He, Qianlong Sang, Bifeng Tong, Peng Sun, Yili Gong, Chuang Hu, Dazhao Cheng,
• Abstract要約: 移動体プラットフォームのエネルギー効率向上には, 動的電圧と周波数スケーリングが不可欠である。 従来の知事は、異質なSystem-on-Chip設計の複雑さを管理するには不十分である。 異種デバイスのためのDVFSを定式化し、マルチタスク強化学習問題として応用する。 メタデータを体系的に活用し,共有知識の発見と伝達を行うメタデータ誘導フレームワークであるMetaDVFSを紹介する。
• 参考スコア（独自算出の注目度）: 13.140352452039627
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dynamic Voltage and Frequency Scaling is essential for enhancing energy efficiency in mobile platforms. However, traditional heuristic-based governors are increasingly inadequate for managing the complexity of heterogeneous System-on-Chip designs and diverse application workloads. Although reinforcement learning approaches offer improved performance, their poor generalization capability and reliance on extensive retraining for each hardware and application combination leads to significant deployment costs. In this work, we observe that device and application metadata inherently encapsulate valuable knowledge for DVFS, presenting an opportunity to overcome these limitations. We formulate DVFS for heterogeneous devices and applications as a multi-task reinforcement learning problem. We introduce MetaDVFS, which is a metadata-guided framework that systematically leverages metadata to discover and transfer shared knowledge across DVFS tasks. MetaDVFS can output a set of DVFS models with significant generalization capability for various applications of heterogeneous devices. Evaluations on five Google Pixel devices running six applications show that MetaDVFS achieves up to 17% improvement in Performance-Power Ratio and up to 26% improvement in Quality of Experience. Compared to state-of-the-art methods, MetaDVFS delivers 70.8% faster adaptation and 5.8-27.6% higher performance over standalone device-application specific training, while avoiding negative transfer effects. These results establish MetaDVFS as an effective and scalable solution for DVFS deployment in heterogeneous mobile environments.
• Abstract（参考訳）: 移動体プラットフォームのエネルギー効率向上には, 動的電圧と周波数スケーリングが不可欠である。 しかし、従来のヒューリスティックベースの管理者は、異質なSystem-on-Chip設計と多様なアプリケーションワークロードの複雑さを管理するのに、ますます不十分になっている。 強化学習アプローチはパフォーマンスの向上を提供するが、その一般化能力の貧弱さと、各ハードウェアとアプリケーションの組み合わせに対する広範な再トレーニングへの依存は、デプロイメントコストを大幅に上回っている。 本研究では,デバイスとアプリケーションメタデータが本質的にDVFSの貴重な知識をカプセル化していることを観察し,これらの制限を克服する機会を提供する。 異種デバイスのためのDVFSを定式化し、マルチタスク強化学習問題として応用する。 メタデータを体系的に活用してDVFSタスク間で共有知識を発見し、伝達するメタデータ誘導フレームワークであるMetaDVFSを紹介した。 MetaDVFSは、異種デバイスの様々な用途に対して、かなりの一般化能力を持つ一連のDVFSモデルを出力することができる。 6つのアプリケーションを実行する5つのGoogle Pixelデバイスの評価によると、MetaDVFSはパフォーマンス・パワー比を最大17%改善し、品質・オブ・エクスペリエンスを最大26%改善した。 最先端の手法と比較して、MetaDVFSは70.8%の高速適応と5.8-27.6%の高パフォーマンスを実現し、負の転送効果を回避している。 これらの結果から,MetaDVFSは異種モバイル環境におけるDVFSデプロイメントの効率的かつスケーラブルなソリューションとして確立された。

関連論文リスト

• Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models [40.69348434971122]
  本稿では,パラメータ効率の高い言語モデルの微調整のための新しい適応ランクアロケーションフレームワークであるFedARAを提案する。 FedARAは、ヘテロジニアスなデータの下で、さまざまなデータセットやモデルに対して平均6.95%から8.49%のベースラインを一貫して上回っている。 各種エッジデバイスの実験では、それぞれ48.90%、46.95%のトレーニング時間とエネルギー消費が大幅に減少している。
  論文  参考訳（メタデータ） (2025-01-24T11:19:07Z)
• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning [49.72857433721424]
  Vision Transformer (ViT) と Visual Prompt Tuning (VPT) は、様々なコンピュータビジョンタスクの効率を改善して最先端のパフォーマンスを実現する。 本稿では,GFL(Generalized FL)とPFL(Personalized FL)を組み合わせた新しいアルゴリズムSGPTを提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:22:09Z)
• AQUILA: Communication Efficient Federated Learning with Adaptive Quantization in Device Selection Strategy [27.443439653087662]
  本稿では,これらの問題に対処するために考案された新しい適応型フレームワークであるAQUILA(Adaptive Quantization in Device selection Strategy)を紹介する。 AQUILAは、デバイス更新の品質と有用性を優先する高度なデバイス選択方法を統合する。 実験の結果,AQUILAは既存の手法に比べて通信コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T03:41:47Z)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• FedGPO: Heterogeneity-Aware Global Parameter Optimization for Efficient Federated Learning [11.093360539563657]
  フェデレートラーニング(FL)は、機械学習トレーニングにおけるプライバシリークのリスクに対処するソリューションとして登場した。 我々は,モデル収束を保証しつつ,FLのエネルギー効率を最適化するFedGPOを提案する。 我々の実験では、FedGPOはモデル収束時間を2.4倍改善し、ベースライン設定の3.6倍のエネルギー効率を達成する。
  論文  参考訳（メタデータ） (2022-11-30T01:22:57Z)

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。