論文の概要: Pruning Extensions and Efficiency Trade-Offs for Sustainable Time Series Classification

• arxiv url: http://arxiv.org/abs/2604.07953v1
• Date: Thu, 09 Apr 2026 08:19:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.79227
• Title: Pruning Extensions and Efficiency Trade-Offs for Sustainable Time Series Classification
• Title（参考訳）: 持続的時系列分類のためのプランニング拡張と効率トレードオフ
• Authors: Raphael Fischer, Angus Dempster, Sebastian Buschjäger, Matthias Jakobs, Urav Maniar, Geoffrey I. Webb,
• Abstract要約: 時系列分類(TSC)は重要なユースケースを実現するが、モデル、データセット、ハードウェア間のパフォーマンストレードオフの統一的な理解は欠如している。 本稿では,TSCにおける予測性能と資源消費のバランスを明らかにするための総合評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.238381725498364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series classification (TSC) enables important use cases, however lacks a unified understanding of performance trade-offs across models, datasets, and hardware. While resource awareness has grown in the field, TSC methods have not yet been rigorously evaluated for energy efficiency. This paper introduces a holistic evaluation framework that explicitly explores the balance of predictive performance and resource consumption in TSC. To boost efficiency, we apply a theoretically bounded pruning strategy to leading hybrid classifiers - Hydra and Quant - and present Hydrant, a novel, prunable combination of both. With over 4000 experimental configurations across 20 MONSTER datasets, 13 methods, and three compute setups, we systematically analyze how model design, hyperparameters, and hardware choices affect practical TSC performance. Our results showcase that pruning can significantly reduce energy consumption by up to 80% while maintaining competitive predictive quality, usually costing the model less than 5% of accuracy. The proposed methodology, experimental results, and accompanying software advance TSC toward sustainable and reproducible practice.
• Abstract（参考訳）: 時系列分類(TSC)は重要なユースケースを実現するが、モデル、データセット、ハードウェア間のパフォーマンストレードオフの統一的な理解は欠如している。 資源の認識はこの分野で大きくなっているが, TSC法はまだエネルギー効率について厳格に評価されていない。 本稿では,TSCにおける予測性能と資源消費のバランスを明らかにするための総合評価フレームワークを提案する。 効率を高めるために,HydraとQuantというハイブリッド分類器の先導に理論的に有界なプルーニング戦略を適用し,その2つの組み合わせであるHydrantを提示する。 20のMONSTERデータセット、13のメソッド、および3つの計算設定の4000以上の実験的な構成により、モデル設計、ハイパーパラメータ、ハードウェア選択が実践的なTSCパフォーマンスにどのように影響するかを体系的に分析する。 以上の結果から,プルーニングは競争力のある予測品質を維持しつつ,エネルギー消費量を最大80%削減し,その精度を5%以下に抑えることができた。 提案手法,実験結果,それに付随するソフトウェアは,持続的かつ再現可能な実践に向けてTSCを推し進める。

関連論文リスト

• An Analysis of Optimizer Choice on Energy Efficiency and Performance in Neural Network Training [0.0]
  本稿では,ニューラルネットワーク学習における選択とエネルギー効率の関係を包括的に検討する。 8つの一般的なAdasを用いて,3つのベンチマークデータセット(MNIST, CIFAR-10, CIFAR-100)で360個の制御実験を行った。 この結果から,データセットやモデルの複雑さによって異なる,トレーニング速度,正確性,環境への影響のかなりのトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-09-16T20:20:22Z)
• EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
  大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。 ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。 本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:00:13Z)
• 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)
• Energy-Efficient Transformer Inference: Optimization Strategies for Time Series Classification [0.0]
  本研究では, 変圧器アーキテクチャの構造化プルーニングと量子化手法に着目し, 最適化手法の体系的研究を行う。 実験の結果,静的量子化は分類性能を維持しながらエネルギー消費量を29.14%削減し,L1プルーニングは最小精度で推論速度を63%向上させることがわかった。
  論文  参考訳（メタデータ） (2025-02-23T16:04:56Z)
• 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)
• GOHSP: A Unified Framework of Graph and Optimization-based Heterogeneous Structured Pruning for Vision Transformer [76.2625311630021]
  視覚変換器(ViT)は、様々なコンピュータビジョンタスクにおいて非常に印象的な経験的性能を示している。 この問題を緩和するために、構造化プルーニングはモデルサイズを圧縮し、実用的な効率を実現するための有望な解決策である。 グラフと最適化に基づく構造的プルーニング(Structured Pruning)を統合化したフレームワークであるGOHSPを提案する。
  論文  参考訳（メタデータ） (2023-01-13T00:40:24Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Conformer-based Hybrid ASR System for Switchboard Dataset [99.88988282353206]
  本稿では,競争力のあるコンバータベースハイブリッドモデルトレーニングレシピを提示し,評価する。 本研究は,単語誤り率の向上と学習速度向上のための異なる訓練側面と手法について検討する。 我々はSwitchboard 300hデータセットで実験を行い、コンバータベースのハイブリッドモデルは競争力のある結果を得る。
  論文  参考訳（メタデータ） (2021-11-05T12:03:18Z)

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。