論文の概要: Static Metrics Are Insufficient: Predicting Java Method Energy Usage with Execution Time

• arxiv url: http://arxiv.org/abs/2607.06124v1
• Date: Tue, 07 Jul 2026 10:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.495571
• Title: Static Metrics Are Insufficient: Predicting Java Method Energy Usage with Execution Time
• Title（参考訳）: 静的メトリクスは不十分:実行時間でJavaメソッドのエネルギー使用を予測する
• Abstract要約: 開発フローの早い段階でのエネルギー使用量に関する推論は、ソフトウェアシステム全体のエネルギー使用量を大幅に削減する可能性がある。 繰り返しプロファイリングや直接測定を行うことなくエネルギー使用量を評価することは困難である。 本研究ではJavaにおけるメソッドレベルのエネルギー予測の限界について検討する。
• 参考スコア（独自算出の注目度）: 4.1759895896406904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing energy demand of software systems is raising concerns about their environmental impact and associated costs. Reasoning on energy usage early in the development flow has the potential to significantly reduce the overall energy usage of a software system, as it allows developers to make informed design and refactoring decisions before inefficiencies propagate. However, assessing energy usage without repeated profiling and direct measurement is difficult, which limits early reasoning in practice. This study investigates the limits of method-level energy prediction in Java, examining whether static source code metrics complemented with method-level execution time can estimate the energy consumption of Java methods. We profile 2,786 Java methods to extract 33 static features and measure execution time and energy, then train and compare eleven regression models. Our findings show that static source code metrics alone yield poor predictive performance, with average R2 values close to zero. Incorporating execution time as a lightweight dynamic input significantly improves accuracy, raising R2 to as high as 0.46. Execution time, internal method calls, and cyclomatic complexity consistently emerge as the strongest predictors of energy consumption.
• Abstract（参考訳）: ソフトウェアシステムのエネルギー需要の増加は、環境への影響と関連するコストに対する懸念を高めている。 開発フローの早い段階でのエネルギー使用量に関する推論は、ソフトウェアシステム全体のエネルギー使用量を大幅に削減する可能性がある。 しかし、繰り返しプロファイリングや直接測定をせずにエネルギー使用量を評価することは困難であり、実際は初期の推論を制限している。 本研究では,Javaにおけるメソッドレベルのエネルギ予測の限界について検討し,メソッドレベルの実行時間を補完する静的ソースコードメトリクスがJavaメソッドのエネルギ消費を推定できるかどうかを検討した。 我々は、2,786のJavaメソッドをプロファイルし、33の静的特徴を抽出し、実行時間とエネルギを測定し、11の回帰モデルをトレーニングし比較します。 その結果、静的なソースコードのメトリクスだけでは予測性能が悪く、平均的なR2値は0に近いことがわかった。 軽量な動的入力として実行時間を組み込むことで精度を大幅に向上し、R2は0.46まで上昇する。 実行時間、内部メソッド呼び出し、サイクロマティックな複雑さは、エネルギー消費の最も強い予測因子として一貫して現れている。

関連論文リスト

• Developer Attitudes and Practices Towards Optimizing Software Energy Consumption [9.378911615939925]
  エネルギー消費は少数のプロジェクトにおいて明確に考慮されている。 より一般的に、開発者は実行時間やCPU利用などのプロキシプロパティを最適化することで、間接的にエネルギー使用に影響を与える。 採用の大きな障壁として、組織的不関心、限られたツール、教育的ギャップがあげられます。
  論文  参考訳（メタデータ） (2026-08-31T09:57:36Z)
• Beyond FLOPs: Energy-Aware Knowledge Distillation for Sustainable LLMs on Code-Related Task [10.915684166086026]
  大規模言語モデル(LLM)は、ソフトウェア工学(SE)タスクにますます適用され、クローン検出、脆弱性予測、コードの要約といった問題に対して高い精度を達成する。 高い計算要求とエネルギー消費はサステナビリティの懸念を高め、消費者のハードウェアやリソースに制約のあるプラットフォームでの使用を妨げる。 本研究は,SEにおけるエネルギー利用知識蒸留の意義を考察し,性能を維持しつつモデル効率を向上させることを目的とした。
  論文  参考訳（メタデータ） (2026-08-18T08:41:04Z)
• EnCoDe: Energy Estimation of Source Code At Design-Time [0.0]
  エネルギー効率はソフトウェア品質の重要な属性として現れており、環境の持続可能性と運用コストの両方に重大な影響を及ぼす。 既存のプロファイリングツールは実行時にのみ動作し、通常はプロセスやメソッドレベルでエネルギーを捕捉する。 本研究では,詳細な設計時エネルギー推定手法であるEnCoDeを提案する。
  論文  参考訳（メタデータ） (2026-05-01T08:30:36Z)
• Babbling Suppression: Making LLMs Greener One Token at a Time [46.879983975894135]
  大規模言語モデル(LLM)は、現代のソフトウェア開発でますます使われている。 LLMは「バブリング(babbling)」と呼ばれ、さらなる認知、経済、エネルギーコストを発生させる。 本研究は, 解の精度を損なうことなく, 不要な出力を削減するための実用的, モデルに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:21:02Z)
• An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code [46.879983975894135]
  本研究の目的は, LLM がエネルギー効率の良いコード生成にどう最適化できるか, 検討することである。 CPTはContrastive Learningテクニックを組み合わせることで、モデルが効率的かつ非効率なコードを区別するのに役立つ。 本研究では,Python,Java,C++の3つのモデルにまたがるコーディング問題のCPTを評価し,包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-03T12:36:15Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
  AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。 モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T14:38:19Z)
• Probabilistic energy profiler for statically typed JVM-based programming languages [1.7842332554022688]
  エネルギー消費は、モバイルデバイスから大規模データセンターに至るまで、いくつかの分野で懸念が高まっている。 以前のアプローチでは、ソースコードのステートメントではなく、特定の関数やプログラムに重点を置いていた。 本研究では,消費のみの測定と点推定の利用の限界に対処する新しい手法を開発する。
  論文  参考訳（メタデータ） (2025-12-02T13:21:35Z)
• Seer Self-Consistency: Advance Budget Estimation for Adaptive Test-Time Scaling [55.026048429595384]
  テストタイムスケーリングは、Large Language Models (LLMs) の推論性能を向上させるが、かなりの計算コストを発生させる。 トークン効率とレイテンシを同時に向上する動的自己整合性フレームワークであるSeerSCを提案する。
  論文  参考訳（メタデータ） (2025-11-12T13:57:43Z)
• The Fast for the Curious: How to accelerate fault-tolerant quantum applications [101.46859364118622]
  我々は、フォールトトレラント量子計算の実行時間を削減するための戦略を評価する。 ハードウェア,フォールトトレランス,アルゴリズム的サブルーチンの共設計が実行時間を短縮する方法について論じる。
  論文  参考訳（メタデータ） (2025-10-30T02:27:55Z)
• Temporal Encoding Strategies for Energy Time Series Prediction [0.0]
  本研究では,時系列データの周期的特徴に正弦波符号化を用いて予測モデルの精度を向上させる手法を提案する。 いくつかの統計的およびアンサンブル機械学習モデルは、提案した正弦波符号化を用いて、エネルギー需要データセットに基づいて訓練された。 結果、ルート平均正方形誤差は12.6%改善し、R2スコアは7.8%増加した。
  論文  参考訳（メタデータ） (2025-03-19T17:36:53Z)
• 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)
• Normalizing Energy Consumption for Hardware-Independent Evaluation [9.658615045493734]
  本稿では,異なるハードウェアプラットフォーム間でのエネルギー消費の正規化手法を提案する。 提案手法は,基準点数,回帰値の種類,および計算量を含めることが正規化過程に大きく影響を与えることを示す。
  論文  参考訳（メタデータ） (2024-09-09T13:38:00Z)
• Energy-Efficient Scheduling with Predictions [4.662349748983561]
  エネルギー効率のスケジューリングにおいて、オペレーティングシステムは、マシンがジョブを処理する速度を制御する。 学習強化アルゴリズムの最近の研究は、予測を利用して性能保証を改善することを目的としている。 所望のエネルギー効率スケジューリング問題に対して、オフラインとオンラインのアルゴリズムを入力として、フレキシブルな学習強化アルゴリズムフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-02-27T02:13:32Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。