論文の概要: More Computational Resources Do Not Ensure Higher Scholarly Impact: Evidence from Leading NLP Conference Papers

• arxiv url: http://arxiv.org/abs/2608.21806v1
• Date: Sat, 22 Aug 2026 07:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.475641
• Title: More Computational Resources Do Not Ensure Higher Scholarly Impact: Evidence from Leading NLP Conference Papers
• Title（参考訳）: 計算資源の増大は学術的影響を高めない:NLP会議論文をリードする証拠
• Abstract要約: 我々は,2020年から2025年にかけて発行された13,921 ACL,EMNLP,NAACL主会議論文を分析した。 各論文で報告されている最大の構成を、同等のハードウェア能力尺度に標準化する。 全体としては、報告されたGPUリソースは学術的な影響に関連付けられているが、研究の影響についての独立した説明はほとんどない。
• 参考スコア（独自算出の注目度）: 9.534244749910256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational resources are increasingly central to NLP research, but how closely reported GPU capability aligns with scholarly impact remains unclear. We analyze 13,921 ACL, EMNLP, and NAACL main-conference papers published between 2020 and 2025, using GPU resources as our operational measure of computational resources. From full texts, we extract GPU models and counts, standardize each paper's largest reported configuration into a comparable hardware-capability measure, and link these data to citation, award, topic, and institutional metadata. GPU reporting became more common but remained incomplete, while reported capability increased mainly through newer hardware generations and medium-scale multi-GPU configurations. Resource concentration substantially exceeded impact concentration: the annual top 20% of GPU-quantifiable papers accounted for 83.9%-89.9% of reported GPU capability, but only 27%-32% of citations and 20%-33% of paper awards. In adjusted models, a tenfold increase in aggregate reported GPU capability was associated with a 3.52-percentage-point increase in within-NLP topic-year citation percentile, but increased model R^2 by only 0.0042. GPU count showed more consistent positive associations with citation and award outcomes than newer hardware generation. Overall, reported GPU resources are associated with scholarly impact but provide little standalone explanation of research influence.
• Abstract（参考訳）: 計算リソースはますますNLP研究の中心となっているが、GPU能力が学術的影響とどのように一致しているかは、まだ不明である。 我々は、2020年から2025年の間に発行された13,921 ACL、EMNLP、NAACLの主会議論文を分析し、GPUリソースを計算資源の運用指標として利用した。 フルテキストからGPUモデルとカウントを抽出し、各論文で報告されている最大の構成を同等のハードウェア能力尺度に標準化し、これらのデータを引用、賞、トピック、制度メタデータにリンクします。 GPUレポートはより一般的になったが、新しいハードウェア世代と中規模のマルチGPU構成によって、報告能力は向上した。 毎年のGPU量子化論文のトップ20%は、報告されたGPU能力の83.9%-89.9%を占めていたが、引用の27%-32%、論文の20%-33%に過ぎなかった。 調整モデルでは、GPU能力の合計が10倍に増加し、NLP内のトピック-年の引用パーセンタイルが3.52ポイント増加したが、モデルR^2は0.0042に増加した。 GPUカウントは、新しいハードウェア生成よりも、引用と賞の結果に一貫性のある正の相関を示した。 全体としては、報告されたGPUリソースは学術的な影響に関連付けられているが、研究の影響についての独立した説明はほとんどない。

関連論文リスト

• A Practical Two-Stage Framework for GPU Resource and Power Prediction in Heterogeneous HPC Systems [0.41942958779358674]
  我々は、VASP(Venture ab initio Simulation Package)の消費電力だけでなく、GPU利用とGPUメモリ利用の分析を行う。 VASPは、NERSCのPerlmutter上で広く使われている材料科学アプリケーションである。 異種HPCシステムアプリケーションの平均GPUパワー、最大GPU利用率、最大GPUメモリ利用率を予測するためのリソース予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-02T15:27:09Z)
• GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions [54.570944939061555]
  本稿では,GPU加速グラフに基づくベクトル探索アルゴリズムについて包括的に研究する。 我々は、GPU最適化戦略の詳細な分類を確立し、アルゴリズムタスクとハードウェア実行ユニット間のマッピングを明確にする。 我々の発見は、スケーラブルで堅牢なGPUベースの近接検索システムを設計するための明確なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-02-10T16:18:04Z)
• How Much Progress Has There Been in NVIDIA Datacenter GPUs? [2.6210140502008477]
  本稿では2000年代半ばから今日までのNVIDIAデータセンターGPUの技術的進歩について研究する。 本稿では,主GPU機能の動向と,メモリ当たりの帯域幅,ドル当たり,ワット当たりの増加率の予測値について検討する。 オフチップのメモリサイズと帯域幅はコンピュータの性能よりも遅くなり、3.32年から3.53年で倍増した。
  論文  参考訳（メタデータ） (2026-01-27T23:11:40Z)
• Scaling Behaviors of Evolutionary Algorithms on GPUs: When Does Parallelism Pay Off? [43.96509049196842]
  進化的アルゴリズム(EA)はグラフィックス処理ユニット(GPU)に実装され、並列処理能力を活用して効率を向上させる。 我々は,GPU並列処理が,単純な加速度測定以上のEAの挙動をどのように変化させるかを検討する。 その結果,GPUアクセラレーションの影響は多種多様であり,アルゴリズム構造に強く依存していることが判明した。
  論文  参考訳（メタデータ） (2026-01-26T12:55:21Z)
• GaDE -- GPU-acceleration of time-dependent Dirac Equation for exascale [0.0]
  GaDEは相対論的状態における電磁場によって誘起される原子の電子動力学をシミュレートするように設計されている。 AMD MI250X GPU と Hewlett-Packard の Slingshot 相互接続を用いた LUMI による GaDE の評価を行った。
  論文  参考訳（メタデータ） (2025-12-25T14:47:36Z)
• The Role of Computing Resources in Publishing Foundation Model Research [84.20094600030092]
  我々はこれらの資源と基礎モデル(FM)の科学的発展との関係を評価する。 我々は2022年から2024年にかけて発行された6517のFM論文をレビューし、計算資源が科学出力に与える影響について229人の第一著者を調査した。 計算量の増加は国家予算配分や引用と相関していることがわかったが,研究環境との強い相関はみられない。
  論文  参考訳（メタデータ） (2025-10-15T14:50:45Z)
• Distributed Equivariant Graph Neural Networks for Large-Scale Electronic Structure Prediction [76.62155593340763]
  密度汎関数理論(DFT)データに基づいて訓練された等価グラフニューラルネットワーク(eGNN)は、前例のない規模で電子構造予測を行う可能性がある。 しかし、このタスクに必要なグラフ表現は密結合である傾向がある。 本稿では,直接GPU通信を利用する分散eGNNの実装と,入力グラフの分割戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-04T23:53:47Z)
• NGPU-LM: GPU-Accelerated N-Gram Language Model for Context-Biasing in Greedy ASR Decoding [54.88765757043535]
  この研究は、統計的なn-gram言語モデルのデータ構造を再考し、GPU最適化推論の高速かつ並列な操作を可能にする。 我々のアプローチは NGPU-LM と呼ばれ、7% 未満の計算オーバーヘッドを持つ全ての主要な ASR モデルに対して、カスタマイズ可能なgreedy decoding を導入している。 提案手法は,ビーム探索による顕著な遅延を回避しつつ,greedy と beam search の精度ギャップの50%以上を排除できる。
  論文  参考訳（メタデータ） (2025-05-28T20:43:10Z)
• Accurate GPU Memory Prediction for Deep Learning Jobs through Dynamic Analysis [0.3867363075280544]
  メモリ外エラーは、モデルトレーニングと効率的なリソース利用にとって主要な障害となる。 VeritasEstは完全にCPUベースの分析ツールで、ディープラーニングのトレーニングタスクに必要なピークGPUメモリを正確に予測することができる。 その性能は、畳み込みニューラルネットワーク(CNN)モデルにわたる数千の実験的な実行を通じて検証された。
  論文  参考訳（メタデータ） (2025-04-04T19:20:03Z)
• Characterizing GPU Resilience and Impact on AI/HPC Systems [5.4879032865205986]
  本研究では,大規模AIシステムデルタHPCにおけるGPUレジリエンスを特徴付ける。 2.5年間の運用データ(1170万GPU時間)をGPUエラーに使用しました。
  論文  参考訳（メタデータ） (2025-03-14T22:14:18Z)
• Power- and Fragmentation-aware Online Scheduling for GPU Datacenters [9.29180785233729]
  我々はGPUのフラグメンテーションの最小化と消費電力の削減という2つの目標に焦点を当てている。 そこで本稿では,電力効率のよいGPUとCPUの組み合わせを選択することで,電力使用量を最小限に抑える新しいスケジューリングポリシーであるPWRを提案する。 本稿では,PWRがFGDと組み合わせることで,消費電力削減とGPUフラグメンテーションの最小化のトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2024-12-23T11:27:17Z)
• Citation Trajectory Prediction via Publication Influence Representation Using Temporal Knowledge Graph [52.07771598974385]
  既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。 本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。 APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
  論文  参考訳（メタデータ） (2022-10-02T07:43:26Z)
• Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
  引用グラフを用いて科学論文の要約作業を再定義します。 我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。 我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
  論文  参考訳（メタデータ） (2021-04-07T11:13:35Z)
• The Architectural Implications of Distributed Reinforcement Learning on CPU-GPU Systems [45.479582612113205]
  CPU-GPUシステムにおけるRLトレーニングの性能と電力効率を改善する方法について述べる。 我々は,最先端分散rlトレーニングフレームワーク上でのハードウェア利用全体の定量化を行う。 また、新しいシステム設計メトリック、CPU/GPU比を導入し、CPUリソースとGPUリソースの最適なバランスを見つける方法を紹介します。
  論文  参考訳（メタデータ） (2020-12-08T04:50:05Z)

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。