論文の概要: The Accuracy-Efficiency Paradox Quantifying Net Energy Loss in on-Device Energy Forecasting

• arxiv url: http://arxiv.org/abs/2608.26134v1
• Date: Thu, 25 Jun 2026 01:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.356879
• Title: The Accuracy-Efficiency Paradox Quantifying Net Energy Loss in on-Device Energy Forecasting
• Title（参考訳）: オンデバイスエネルギー予測におけるネットエネルギー損失の精度・効率パラドックス
• Abstract要約: 高精度エネルギー予測モデルは、皮肉にもエネルギー不足を引き起こす可能性がある。 これはエッジAIの推論エネルギー消費とバッテリ老化の両方に起因している。 本稿では,エネルギー損失を最小限に抑えるため,エネルギー予測のための総所有コスト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）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy forecasting aims to maximize accuracy to ensure energy efficiency by reducing energy waste, an objective that applies equally to on-device forecasting for mission-critical edge environments, including military systems. However, this paper identifies the Accuracy-Efficiency Paradox: high-precision energy forecasting models can ironically trigger a net energy deficit. This stems from both edge AI's inference energy consumption and battery aging. We propose a Total Cost of Ownership (TCO) framework for energy forecasting, designed to minimize net energy loss. This framework treats not only inference energy consumption but also battery aging as a unified form of energy loss, as degradation represents a physical dissipation of the system's future energy-carrying capacity. We demonstrate that in thermally sensitive edge environments, energy saved by the superior precision of complex architectures is often outweighed by the total energy lost through their high operational intensity.
• Abstract（参考訳）: エネルギー予測は、軍事システムを含むミッションクリティカルエッジ環境のデバイス上での予測に等しく適用されるエネルギー廃棄物を削減することで、エネルギー効率を確保するための精度を最大化することを目的としている。 高精度エネルギー予測モデルは、皮肉にもエネルギー不足を引き起こす可能性がある。 これはエッジAIの推論エネルギー消費とバッテリ老化の両方に起因している。 本稿では,エネルギー損失を最小限に抑えるため,エネルギー予測のための総所有コスト(TCO)フレームワークを提案する。 このフレームワークは、推論エネルギー消費だけでなく、劣化が将来のエネルギー輸送能力の物理的散逸を表すため、バッテリーの老化をエネルギー損失の統一形態として扱う。 熱に敏感なエッジ環境では、複雑なアーキテクチャの優れた精度で蓄えられたエネルギーは、その高い操作強度によって失われた総エネルギーよりも優れていることが示される。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• The Energy Loss Phenomenon in RLHF: A New Perspective on Mitigating Reward Hacking [72.45765726160151]
  この研究は、人間からのフィードバックからの強化学習におけるエネルギー損失現象と、そのハッキング報酬への関連を識別する。 報酬計算において最終層におけるエネルギー損失の増加をペナルティ化し,過大なエネルギー損失を防止するEnergy Los-Aware PPOアルゴリズム(EPPO)を提案する。
  論文  参考訳（メタデータ） (2025-01-31T18:10:53Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
  EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。 提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。 その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
  論文  参考訳（メタデータ） (2023-05-23T14:17:44Z)
• ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of Harvested Energy [0.8774604259603302]
  本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。 提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。 このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
  論文  参考訳（メタデータ） (2021-02-26T17:21:25Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• 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。