論文の概要: Green Optimization: Energy-aware Design of Metaheuristics by Using Machine Learning Surrogates to Cope with Real Problems

• arxiv url: http://arxiv.org/abs/2602.06610v1
• Date: Fri, 06 Feb 2026 11:12:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.370687
• Title: Green Optimization: Energy-aware Design of Metaheuristics by Using Machine Learning Surrogates to Cope with Real Problems
• Title（参考訳）: グリーン最適化:機械学習サロゲートを用いたメタヒューリスティックスのエネルギー認識設計
• Authors: Tomohiro Harada, Enrique Alba, Gabriel Luque,
• Abstract要約: 本稿では,ニューラルサロゲートモデルによる機械学習のメタヒューリスティックスへの統合について検討する。 本研究では,最先端の訓練済みサロゲートを使用することで,エネルギー消費量を最大98%,実行時間を約98%,メモリ使用量を約99%削減できることを示す。
• 参考スコア（独自算出の注目度）: 0.4231181719953952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Addressing real-world optimization challenges requires not only advanced metaheuristics but also continuous refinement of their internal mechanisms. This paper explores the integration of machine learning in the form of neural surrogate models into metaheuristics through a recent lens: energy consumption. While surrogates are widely used to reduce the computational cost of expensive objective functions, their combined impact on energy efficiency, algorithmic performance, and solution accuracy remains largely unquantified. We provide a critical investigation into this intersection, aiming to advance the design of energy-aware, surrogate-assisted search algorithms. Our experiments reveal substantial benefits: employing a state-of-the-art pre-trained surrogate can reduce energy consumption by up to 98\%, execution time by approximately 98%, and memory usage by around 99\%. Moreover, increasing the training dataset size further enhances these gains by lowering the per-use computational cost, while static pre-training versus continuous (iterative) retraining have relatively different advantages depending on whether we aim at time/energy or accuracy and general cost across problems, respectively. Surrogates also have a negative impact on costs and accuracy at times, and then they cannot be blindly adopted. These findings support a more holistic approach to surrogate-assisted optimization, integrating energy with time and predictive accuracy into performance assessments.
• Abstract（参考訳）: 現実世界の最適化課題に対処するには、高度なメタヒューリスティックだけでなく、内部メカニズムの継続的な改善が必要である。 本稿では,ニューラルサロゲートモデルを用いた機械学習のメタヒューリスティックスへの統合について,最近のレンズによる検討を行う。 サロゲートは高価な目的関数の計算コストを減らすために広く使われているが、エネルギー効率、アルゴリズム性能、解の精度に対するそれらの複合的な影響は、いまだに未定のままである。 本稿では,エネルギーを意識したサロゲート支援探索アルゴリズムの設計を推進すべく,この交差点について批判的な調査を行う。 実験の結果, 最先端の訓練済みサロゲートを使用することで, エネルギー消費量を最大98%削減し, 実行時間を約98%削減し, メモリ使用量を約99%削減できることがわかった。 さらに、トレーニングデータセットのサイズを増大させることで、使用量当たりの計算コストを下げることにより、これらのゲインをさらに向上させる一方、静的事前学習と連続的(定的)再トレーニングは、時間/エネルギー、精度、および問題全体にわたる一般的なコストによって、それぞれに比較的異なる利点がある。 また、サロゲートはコストや精度に悪影響を及ぼすため、盲目的に採用することはできない。 これらの結果は、サロゲート支援最適化に対するより包括的なアプローチをサポートし、時間と予測精度をパフォーマンス評価に統合する。

関連論文リスト

• EARL: Energy-Aware Optimization of Liquid State Machines for Pervasive AI [0.3867363075280543]
  広く普及するAIは、厳しいリソース制約の下で低レイテンシとエネルギー効率の計算を提供するデバイス上での学習システムに依存している。 液体状態機械は、広範およびニューロモルフィックシステムにおける低消費電力時間処理に有望なアプローチを提供する。 本研究は,ベイズ最適化と適応型強化学習に基づく選択ポリシーを統合したエネルギー対応強化学習フレームワークEARLを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:31:11Z)
• Energy and Quality of Surrogate-Assisted Search Algorithms: a First Analysis [2.0099933815960256]
  我々は,サロゲートがメタヒューリスティック(メタヒューリスティック,メタヒューリスティック,メタヒューリスティック,メタヒューリスティック,メタヒューリスティック)をいかに支援しているかを研究する。 我々の結論は、このトピックに新たな光を当て、サロゲート支援アルゴリズムを評価するための方法論への第一歩として理解することができる。
  論文  参考訳（メタデータ） (2025-08-11T07:07:55Z)
• A Non-Invasive Load Monitoring Method for Edge Computing Based on MobileNetV3 and Dynamic Time Regulation [2.405805395043031]
  機械学習とディープラーニングに基づく手法は、負荷分解精度を著しく向上させた。 これらの手法は一般に高い計算コストと膨大なメモリ要求に悩まされる。 本研究では,時間周波数領域における動的時間ウォーピング(DTW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-22T06:43:33Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
  現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。 本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。 本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-13T05:49:29Z)
• Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head Attention-Augmented CNN-LSTM Network [0.0]
  電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。 ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。 これらの障害を克服する新しいソリューションを提案します。
  論文  参考訳（メタデータ） (2023-09-07T13:06:52Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。