論文の概要: Systematic Detection of Energy Regressions in Software Version Histories
- arxiv url: http://arxiv.org/abs/2610.19895v1
- Date: Wed, 14 Oct 2026 09:53:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.07709
- Title: Systematic Detection of Energy Regressions in Software Version Histories
- Title（参考訳）: ソフトウェアバージョン履歴におけるエネルギー回帰の系統的検出
- Abstract要約: グリーンソフトウェアエンジニアリングは、情報技術のエネルギー的影響の増大に対する重要な反応として現れつつある。
本稿では,複数のコミットにまたがるエネルギーレグレッションを検出する手法であるEnergyTrackrを提案する。
- 参考スコア（独自算出の注目度）: 0.8620335948752809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: Green software engineering is emerging as a crucial response to the rising energy impact of information technology, especially in continuous development. However, challenges remain in devising automated methods to efficiently identify energy regressions across commits. In particular, little effort has been put into automatically detecting regressions at the commit level by identifying statistically significant changes in energy consumption. Objectives: This paper presents EnergyTrackr, an approach for detecting energy regressions across multiple commits. Methods: We empirically evaluated EnergyTrackr on 1,932 commits from five Java projects, assessing its ability to identify significant energy changes. We also compared a straightforward linear algorithm that analyzes the entire commit history with a more efficient dichotomous search algorithm. Results: The evaluation demonstrates the effectiveness of EnergyTrackr in identifying significant energy changes across commits. Our findings highlight the efficiency of the dichotomous algorithm in uncovering overall software energy trends, achieving results comparable to the linear approach while reducing resource consumption and processing time. Conclusion: We expect EnergyTrackr to help developers accurately monitor energy regressions and improvements in their projects and optimize their source code to reduce software energy consumption.
- Abstract（参考訳）: コンテキスト: グリーンソフトウェアエンジニアリングは、特に継続的開発において、情報技術のエネルギー的影響の増大に対する重要な反応として現れています。
しかしながら、コミット間でのエネルギーレグレッションを効率的に識別する自動化手法の開発には、依然として課題が残っている。
特に、エネルギー消費の統計的に重要な変化を特定することによって、コミットレベルでの回帰を自動的に検出する努力はほとんど行われていない。
目的:本稿では,複数のコミットにまたがるエネルギーレグレッションを検出する手法であるEnergyTrackrを提案する。
方法:5つのJavaプロジェクトから1,932件のコミットに対してEnergyTrackrを実証的に評価し、重要なエネルギー変化を特定する能力を評価しました。
また,コミット履歴全体を分析する直線的アルゴリズムと,より効率的なディコトコス探索アルゴリズムを比較した。
結果:EnergyTrackrがコミット間の重要なエネルギー変化を特定する上で有効であることを示す。
本研究は, 資源消費と処理時間を削減しつつ, 線形手法に匹敵する結果を達成し, ソフトウェア全体のエネルギー動向を明らかにするために, ディコトクスアルゴリズムの効率性を強調した。
結論:EnergyTrackrは、開発者がプロジェクトのエネルギレグレッションと改善を正確に監視し、ソースコードを最適化し、ソフトウェアのエネルギ消費を減らすのに役立ちます。
関連論文リスト
- Systematic Detection of Energy Regression and Corresponding Code Patterns in Java Projects [0.8620335948752809]
グリーンソフトウェアエンジニアリングは、情報技術のエネルギー的影響に対する重要な反応として現れつつある。
本稿では,複数のコミットにまたがるエネルギーレグレッションを検出する手法であるEnergyTrackrを紹介する。
重要なエネルギー変化を識別し、繰り返し発生するアンチパターンを強調するアプローチの能力を示す。
論文 参考訳（メタデータ） (2026-04-21T11:54:43Z) - 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) - 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) - Can We Make Code Green? Understanding Trade-Offs in LLMs vs. Human Code Optimizations [45.243401722182554]
大規模言語モデル(LLM)は、パフォーマンスとエネルギー効率の最適化を開発者が支援すると主張している。
この研究は、科学と工学の応用のために学術と産業の両方で広く使われているマットラブで書かれたソフトウェアに焦点を当てている。
トップ100のGitHubリポジトリで400スクリプトのエネルギ中心の最適化を分析します。
論文 参考訳（メタデータ） (2025-03-26T00:27:29Z) - Unveiling the Energy Vampires: A Methodology for Debugging Software Energy Consumption [5.602876058122268]
本稿では,ソフトウェアシステムにおけるエネルギー消費ホットスポットの同定と分離のためのエネルギーデバッグ手法を提案する。
分析の結果,AlpineディストリビューションとUbuntuディストリビューションのエネルギー消費の相違が明らかとなった。
我々は,memcpyの分離とベンチマークにより,エネルギー差の主な原因として確認した。
論文 参考訳（メタデータ） (2024-12-13T11:49:19Z) - 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) - Data-Centric Green AI: An Exploratory Empirical Study [6.4265933507484]
データ中心のアプローチがAIエネルギー効率に与える影響について検討する。
以上の結果から,データセットの変更を排他的に行うことで,エネルギー消費を大幅に削減できることが示唆された。
我々の研究成果は、グリーンAIをさらに有効化し民主化するためのデータ中心技術に焦点を当てた研究課題である。
論文 参考訳（メタデータ） (2022-04-06T12:22:43Z) - Energy-based Latent Aligner for Incremental Learning [83.0135278697976]
ディープラーニングモデルは、新しいタスクを漸進的に学習しながら、以前の知識を忘れる傾向があります。
この振る舞いは、新しいタスクに最適化されたパラメータ更新が、古いタスクに適したアップデートとうまく一致しない可能性があるため現れます。
ELI: インクリメンタルラーニングのためのエネルギーベースラテントアリグナーを提案する。
論文 参考訳（メタデータ） (2022-03-28T17:57:25Z) - Design and Comparison of Reward Functions in Reinforcement Learning for
Energy Management of Sensor Nodes [0.0]
IoT(Internet-of-Things)パラダイムの最近の進歩により、リモート監視への関心が高まっている。
センサノードと呼ばれる小さなデバイスを使って、環境からデータを収集して処理できる新しいアプリケーションが登場した。
バッテリー技術は、これらの増大するニーズに対応するのに十分な速さで改善されていない。
従来のエネルギー源を補完するために、小型のエネルギー収穫装置が出現している。
論文 参考訳（メタデータ） (2021-06-02T12:23:47Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
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。