論文の概要: A Methodology to Assess Power Modeling in Energy-Aware Federated Learning on Heterogeneous Mobile Devices

• arxiv url: http://arxiv.org/abs/2605.27601v1
• Date: Tue, 26 May 2026 19:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.477394
• Title: A Methodology to Assess Power Modeling in Energy-Aware Federated Learning on Heterogeneous Mobile Devices
• Title（参考訳）: 不均一なモバイルデバイス上でのエネルギーを考慮したフェデレーション学習における電力モデリングの一手法
• Authors: Chaimae Jallouli, Karim Boubouh, Robert Basmadjian,
• Abstract要約: ヘテロジニアスARMベースのコモディティデバイス上でのCPUパワーの推定は、CPUの電圧ドメインへのアクセスが制限されているため困難である。 本稿では、クラスタレベルのサプライ電圧を取得するために、再現可能なCPU電力推定手法とレール・クラスタ間マッピング手法の組み合わせを提案する。 解析モデルは10パーセント未満の誤差でCPUパワーを予測するのに対し、近似モデルは959%の誤差を発生させる。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating CPU power on heterogeneous ARM-based commodity devices is challenging due to limited access to CPU's voltage domains. As a result, state-of-the-art energy-aware Federated Learning (FL) frameworks typically rely on simplified approximate power models to estimate computation energy, rather than the more accurate analytical CMOS-based model. To bridge this gap, we propose a reproducible CPU power estimation methodology combined with a rail-to-cluster mapping technique to retrieve cluster-level supply voltage. We evaluate our approach on two commodity Android devices and show that the analytical model predicts CPU power with errors below 10%, whereas the approximate model incurs errors of up to 959%. Using AnycostFL, a state-of-the-art energy-aware FL framework, we show that the analytical model achieves the same 80% model accuracy while consuming 1.4x less energy than the approximate model. These results highlight that approximate models can severely misestimate computation energy and lead to suboptimal decisions. This work facilitates the use of analytical CPU power models on heterogeneous multi-cluster ARM-based mobile SoCs without additional hardware support or external power measurement tools.
• Abstract（参考訳）: ヘテロジニアスARMベースのコモディティデバイス上でのCPUパワーの推定は、CPUの電圧ドメインへのアクセスが制限されているため困難である。 結果として、最先端のエネルギーを意識したフェデレートラーニング(FL)フレームワークは通常、より正確な解析的なCMOSベースモデルではなく、計算エネルギーを推定するために単純化された近似パワーモデルに依存している。 このギャップを埋めるために、クラスタレベルのサプライ電圧を取得するためのレール・クラスタ間マッピング技術と組み合わせて再現可能なCPU電力推定手法を提案する。 2つのコモディティAndroidデバイスに対する我々のアプローチを評価し、分析モデルが10%未満のエラーでCPUパワーを予測するのに対し、近似モデルは最大959%のエラーを発生させることを示した。 最先端のエネルギー対応FLフレームワークであるAny CostFLを用いて、解析モデルが近似モデルよりも1.4倍少ないエネルギーを消費しながら、80%のモデル精度を達成することを示す。 これらの結果は、近似モデルが計算エネルギーを著しく誤って推定し、最適下決定につながることを示唆している。 この作業は、ハードウェアサポートや外部電力測定ツールを使わずに、異種マルチクラスタARMベースのモバイルSoCにおける分析CPUパワーモデルの使用を容易にする。

関連論文リスト

• A Physics-Aware Framework for Short-Term GPU Power Forecasting of AI Data Centers [7.256390775982009]
  本稿では,今後5～80分でAIデータセンターの電力利用を正確に予測できる物理インフォームド時系列モデルを提案する。 このモデルは、実際のAIデータセンタデータセットでトレーニングされ、評価され、テストされた最先端(SOTA)モデルよりも正確である。 SOTAトランスおよび非トランスフォーマーベースのモデルと比較して、予測精度の改善はMSEの0.782%-39.08%、MAEの0.993%-51.82%、RMSEの0.370%-22.28%である。
  論文  参考訳（メタデータ） (2026-04-14T04:14:32Z)
• GPU-accelerated simulated annealing based on p-bits with real-world device-variability modeling [1.2375561840897742]
  p-bits (p-bits) を用いた確率計算は、複雑な問題解決のためのCMOSロジックの効率的な代替手段である。 本稿では,pビットをベースとしたGPUアクセラレーション,オープンソースシミュレートフレームワークを提案する。 このフレームワークはスケーラブルでアクセスしやすいツールを提供することで、確率コンピューティングの研究を進めることを目指している。
  論文  参考訳（メタデータ） (2026-01-20T20:59:21Z)
• Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
  本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。 提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。 この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
  論文  参考訳（メタデータ） (2025-11-21T08:12:47Z)
• Sometimes Painful but Certainly Promising: Feasibility and Trade-offs of Language Model Inference at the Edge [3.1471494780647795]
  最近の傾向はコンパクトモデル(典型的には量子化のような技術によって100億のパラメータが許容される)に注目が集まっていることを示している。 このシフトは、エッジデバイス上でのLMの道を開き、プライバシーの強化、レイテンシの低減、データ主権の向上といった潜在的なメリットを提供する。 本稿では,CPUベースおよびGPUアクセラレーションエッジデバイスにおけるジェネレーティブLM推論の総合評価を行う。
  論文  参考訳（メタデータ） (2025-03-12T07:01:34Z)
• Decentralized Diffusion Models [53.89995588977048]
  大規模なAIモデルトレーニングでは、数千のGPU間で作業が分割され、各ステップでグラデーションが同期される。 これにより、集中型のモノリシッククラスタしかサポートできない、ネットワークの重大な負担が発生する。 独立クラスタ間で拡散モデルのトレーニングを分散するスケーラブルなフレームワークである分散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:59:56Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Physics-informed linear regression is a competitive approach compared to Machine Learning methods in building MPC [0.8135412538980287]
  総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。 また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
  論文  参考訳（メタデータ） (2021-10-29T16:56:05Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• An Ensemble Learning Approach for In-situ Monitoring of FPGA Dynamic Power [20.487660974785943]
  FPGAのランタイム動的パワーを正確に推定できる電力監視方式を提案し,評価する。 本稿では,複数のカスタマイズされたベースラーナーに分解可能な,新規で特殊なアンサンブルモデルについて述べる。 実験では,商業ゲートレベルの電力推定ツールの4.51%以内において,単一の決定木モデルが予測誤差を達成できることを最初に示した。
  論文  参考訳（メタデータ） (2020-09-03T03:39:14Z)

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。