論文の概要: Energy and Latency First: How Deployment Constraints Reverse Time-Series Model Selection

• arxiv url: http://arxiv.org/abs/2610.30965v1
• Date: Thu, 22 Oct 2026 09:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.298518
• Title: Energy and Latency First: How Deployment Constraints Reverse Time-Series Model Selection
• Title（参考訳）: エネルギーとレイテンシ第一:デプロイの制約が逆時系列モデル選択に与える影響
• Abstract要約: これらの制約が明確で測定可能な実際の環境について研究する。 推論は40ミリ秒毎に1回ユーザ機器上で実行され、ネットワークが動作する前に完了しなければならない。 手作りの時間的特徴の重心木が最も正確なモデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI models, and time-series models in particular are typically ranked by accuracy and deployed under constraints absent from that ranking. In this paper, we study a real setting where these constraints are explicit and measurable: handover pre- diction in cellular networks, where inference runs on the User Equipment once per 40 ms measurement period and must complete before the network acts. The timing bound is hard: a late prediction is superseded by the measurement it was predicting, while energy is a cumulative budget spent for the life of the device. Neither appears in the objective these models are selected on. We evaluate eight architectures under a protocol that screens for deadline feasibility at the tail rather than the mean, then ranks the feasible models on measured inference energy, count- ing the feature computation that precedes the forward pass and is usually omitted. Gradient-boosted trees on handcrafted temporal features are the most accurate model (F1=0.974) and among the cheapest to run, while the neural architecture an accuracy-only benchmark would rank first (CNN-1D, F1=0.914) costs over 3 times more energy per inference under a realistic duty-cycled deployment pattern. We give three conditions under which this outcome should be expected, so the finding applies beyond telecommunications. Accuracy-only benchmarking does not merely under-report deployment cost. It can rank first a model that cannot be deployed.
• Abstract（参考訳）: AIモデル、特に時系列モデルは、通常、正確さによってランク付けされ、そのランクから外れた制約の下でデプロイされる。 本稿では,これらの制約が明示的かつ測定可能な実環境について検討する。セルラーネットワークにおけるハンドオーバプレディクションでは,40msの計測期間に1度,ユーザ機器上で推論を行い,ネットワークの動作前に完了しなければならない。 遅延予測は予測していた測定によって置き換えられ、エネルギーはデバイスの寿命に費やされる累積的な予算である。 これらのモデルが選択される目的には現れない。 提案手法では,平均よりも終り実現可能性を確認するプロトコルを用いて8つのアーキテクチャを評価し,その評価可能なモデルを推定エネルギーにランク付けし,前方通過に先立って通常省略される特徴計算をカウントする。 手作りの時間的特徴の重心木は、最も正確なモデル(F1=0.974)であり、最も安価である一方、ニューラルネットワークアーキテクチャでは、精度のみのベンチマークが1位(CNN-1D, F1=0.914)となる。 この結果が期待できる3つの条件を提示する。 正確性のみのベンチマークは、単にデプロイコストを過小評価するだけではない。 まず、デプロイできないモデルをランク付けできる。

関連論文リスト

• JtT: Rethinking Point Trajectory Diffusion for Diverse and Rigid Motion from an Image [67.09340259579761]
  単体画像からの剛体運動の予測について検討した。 我々のモデルであるJtTは座標空間で直接動作する単純な拡散変換器である。 モデルランキングは,モデルのサイズ,メートル法,停止時間にどのように依存するかを示し,より厳密なチェックポイント平均評価プロトコルを採用する。
  論文  参考訳（メタデータ） (2026-10-12T11:13:37Z)
• 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)
• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• A Lightweight DL Model for Smart Grid Power Forecasting with Feature and Resolution Mismatch [0.4999814847776097]
  本稿では、実世界の高周波データを用いて、日々の電力需要を予測することを課題とする。 我々は、時間単位のダウンサイズ化、二重モードのインパルス化、包括正規化を組み合わせた頑健で軽量なディープラーニングパイプラインを提案する。 シーケンス・ツー・ワンのモデルでは、平均RMSEは601.9W、MAEは468.9W、精度は84.36%である。
  論文  参考訳（メタデータ） (2025-10-19T16:12:53Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Probabilistic measures afford fair comparisons of AIWP and NWP model output [37.69303106863453]
  我々はAIWPモデルとNWPモデルからの単値出力の公平かつ有意義な比較のための新しい尺度を提案する。 我々はPCを,処理後の確率予測における平均連続的ランク付け確率スコア(CRPS)とみなす。 提案手法では,損失関数の事前特定が競合相手を不平等な足場に配置する設定において,単一値予測の比較を行う。
  論文  参考訳（メタデータ） (2025-06-04T09:14:45Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Towards Anytime Classification in Early-Exit Architectures by Enforcing Conditional Monotonicity [5.425028186820756]
  任意のアルゴリズムは、計算予算が動的である環境に適しています。 現在のアーリーエグジットネットワークは、任意の設定に直接適用できないことを示す。 本稿では,製品・オブ・エグゼクティブ(Product-of-Experts)に基づくエレガントなポストホック修正を提案する。
  論文  参考訳（メタデータ） (2023-06-05T07:38:13Z)

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。