論文の概要: Ensembles at Any Cost? Accuracy-Energy Trade-offs in Recommender Systems

• arxiv url: http://arxiv.org/abs/2604.07869v1
• Date: Thu, 09 Apr 2026 06:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.740016
• Title: Ensembles at Any Cost? Accuracy-Energy Trade-offs in Recommender Systems
• Title（参考訳）: あらゆるコストでのアンサンブル?レコメンダシステムにおける精度-エネルギートレードオフ
• Authors: Jannik Nitschke, Lukas Wegmeth, Joeran Beel,
• Abstract要約: 本稿では,強い単一モデルに対するアンサンブル手法のエネルギートレードオフを精度良く測定する。 10万から780万のインタラクションの4つのデータセットを評価します。 セッティング全体では、アンサンブルの精度は0.3%から5.7%向上し、エネルギーは19%増の2,549%向上した。
• 参考スコア（独自算出の注目度）: 0.05735035463793008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble methods are frequently used in recommender systems to improve accuracy by combining multiple models. Recent work reports sizable performance gains, but most studies still optimize primarily for accuracy and robustness rather than for energy efficiency. This paper measures accuracy energy trade offs of ensemble techniques relative to strong single models. We run 93 controlled experiments in two pipelines: 1. explicit rating prediction with Surprise (RMSE) and 2. implicit feedback ranking with LensKit (NDCG@10). We evaluate four datasets ranging from 100,000 to 7.8 million interactions (MovieLens 100K, MovieLens 1M, ModCloth, Anime). We compare four ensemble strategies (Average, Weighted, Stacking or Rank Fusion, Top Performers) against baselines and optimized single models. Whole system energy is measured with EMERS using a smart plug and converted to CO2 equivalents. Across settings, ensembles improve accuracy by 0.3% to 5.7% while increasing energy by 19% to 2,549%. On MovieLens 1M, a Top Performers ensemble improves RMSE by 0.96% at an 18.8% energy overhead over SVD++. On MovieLens 100K, an averaging ensemble improves NDCG@10 by 5.7% with 103% additional energy. On Anime, a Surprise Top Performers ensemble improves RMSE by 1.2% but consumes 2,005% more energy (0.21 vs. 0.01 Wh), increasing emissions from 2.6 to 53.8 mg CO2 equivalents, and LensKit ensembles fail due to memory limits. Overall, selective ensembles are more energy efficient than exhaustive averaging,
• Abstract（参考訳）: アンサンブル法は複数のモデルを組み合わせることで精度を向上させるためにレコメンデータシステムで頻繁に使用される。 最近の研究報告では、大きな性能向上が報告されているが、ほとんどの研究はエネルギー効率よりも、主に精度と堅牢性のために最適化されている。 本稿では,強い単一モデルに対するアンサンブル手法のエネルギートレードオフを精度良く測定する。 93の制御された実験を2つのパイプラインで実行します。 1.サプライズ(RMSE)による明示的な評価予測 2.LensKit(NDCG@10)による暗黙のフィードバックランキング。 10万から780万のインタラクション(MovieLens 100K, MovieLens 1M, ModCloth, Anime)の4つのデータセットを評価した。 Average, Weighted, Stacking or Rank Fusion, Top Performersの4つのアンサンブル戦略をベースラインと最適化された単一モデルと比較する。 全系エネルギーはEMERSでスマートプラグを用いて測定され、CO2等価物質に変換される。 セッティング全体では、アンサンブルの精度は0.3%から5.7%向上し、エネルギーは19%増の2,549%向上した。 MovieLens 1Mでは、トップパフォーマーのアンサンブルは、SVD++よりも18.8%のエネルギーオーバーヘッドでRMSEを0.96%改善した。 MovieLens 100Kでは、平均的なアンサンブルがNDCG@10を5.7%改善し、追加エネルギーは103%増加した。 Animeでは、サプライズトップパフォーマーのアンサンブルはRMSEを1.2%改善するが、2.005%のエネルギー(0.21対0.01Wh)を消費し、2.6から53.8mgのCO2相当のエミッションを増大させ、LensKitアンサンブルはメモリ制限のために失敗する。 全体として、選択的なアンサンブルは、平均的な平均よりもエネルギー効率が高い。

関連論文リスト

• LLM-as-a-Judge for Scalable Test Coverage Evaluation: Accuracy, Operational Reliability, and Cost [1.7133809948345597]
  構造化評価を用いた受入テスト評価のための実運用対応フレームワークを提案する。 正確性、運用上の信頼性、コストにまたがる最初の包括的分析を提供する。 私たちは、データセット、フレームワーク、そしてデプロイをサポートするためのコードをリリースします。
  論文  参考訳（メタデータ） (2025-12-01T03:19:33Z)
• The Environmental Impact of Ensemble Techniques in Recommender Systems [0.0]
  推薦システムにおけるアンサンブル技術は10～30%の精度向上を実証しているが、その環境影響は未測定のままである。 この論文は、単一最適化モデルと比較してアンサンブル技術が環境に与える影響について考察する。
  論文  参考訳（メタデータ） (2025-11-10T14:06:58Z)
• IIET: Efficient Numerical Transformer via Implicit Iterative Euler Method [59.02943805284446]
  Iterative Implicit Euler Transformer (IIET) IIADにより、ユーザはパフォーマンス効率のトレードオフを効果的にバランスできる。 E-IIETの変種は、バニラトランスフォーマーよりも平均的なパフォーマンスが1.6%以上向上した。
  論文  参考訳（メタデータ） (2025-09-26T15:14:03Z)
• Fantastic Pretraining Optimizers and Where to Find Them [59.56075036649332]
  AdamWは長い間、言語モデルの事前訓練において支配的な勾配だった。 行列ベースの行列の高速化はモデルスケールに逆比例する。
  論文  参考訳（メタデータ） (2025-09-02T07:43:22Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
  本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。 このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。 提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
  論文  参考訳（メタデータ） (2025-03-01T03:37:09Z)
• The More the Merrier? Navigating Accuracy vs. Energy Efficiency Design Trade-Offs in Ensemble Learning Systems [13.462625365349663]
  我々は,精度とエネルギー消費のトレードオフの可能性について,アンサンブル学習のための3種類の設計判断を分析した。 我々はJの精度(F1スコア)とエネルギー消費(トレーニングと推論の両方)を測定した。 私たちは、サブセットベースのトレーニング、多数決投票、決定木、ネイブベイズ、KNNのようなエネルギー効率の良いMLアルゴリズムを使用して、小さな(最大3モデルまたは2モデル)アンサンブルを設計することを推奨します。
  論文  参考訳（メタデータ） (2024-07-03T08:45:17Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)

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。