論文の概要: Sustainability of TSFM Deployment and Pretraining: From Carbon Footprint Analysis to Mitigation via Pruning

• arxiv url: http://arxiv.org/abs/2610.32859v1
• Date: Fri, 23 Oct 2026 16:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.607445
• Title: Sustainability of TSFM Deployment and Pretraining: From Carbon Footprint Analysis to Mitigation via Pruning
• Title（参考訳）: TSFMの展開とプレトレーニングの持続可能性:カーボンフットプリント解析からプルーニングによる緩和まで
• Abstract要約: Time Series Foundation Models (TSFMs) は強力なゼロショット予測機能を提供するが、その事前訓練コストが高いことは現実的な持続可能性の問題を引き起こす。 我々は、現実的な産業シナリオにおける異なるアプローチの累積炭素コストをモデル化する。 勾配のないプルーニング基準によって1つのエンコーダブロック (パラメータの7.9%) を除去すると, FLOP, CO2排出, 遅延が6～9%減少する。
• 参考スコア（独自算出の注目度）: 5.170064679172536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Foundation Models (TSFMs) offer strong zero-shot forecasting capabilities, but their high pretraining cost raises a practical sustainability question: does this upfront investment pay off over a full deployment lifecycle, compared to supervised standalone models that must be periodically retrained? We model the cumulative carbon cost of different approaches across a realistic industrial scenario: Chronos-2 amortizes its pretraining cost within months for large or frequently queried deployments, but a classical model remains cheaper indefinitely for small or rarely queried ones. For cases where reducing the TSFM's own cost matters, we show that removing a single encoder block (7.9% of parameters) via a gradient-free pruning criterion yields a consistent 6 to 9% reduction in FLOPs, CO2 emissions, and latency, at essentially no cost to zero-shot forecasting performance across a 25-task benchmark.
• Abstract（参考訳）: 時系列ファウンデーションモデル(TSFM)は、強力なゼロショット予測機能を提供するが、その高い事前トレーニングコストは、現実的な持続可能性の問題を引き起こす。 クロノス2は、大規模または頻繁な待ち行列の配置において、数ヶ月以内に事前トレーニングコストを償却するが、古典的なモデルは、小規模または稀な待ち行列の場合に、無期限に安価なままである。 TSFMのコストを下げる場合、勾配のないプルーニング基準によって1つのエンコーダブロック(パラメータの7.9%)を除去すると、FLOP、CO2排出、遅延が6～9%減少し、実質的に25タスクのベンチマークでゼロショット予測性能がゼロになる。

関連論文リスト

• IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
  産業プロセス監視基盤モデル(IPM-FM)を提案する。 まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。 少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
  論文  参考訳（メタデータ） (2026-09-08T07:43:04Z)
• Probabilistic Low-Voltage Peak Load Forecasting with Time Series Foundation Models Evaluated on Application-Oriented Metrics [0.6072959652607564]
  低電圧負荷予測は、電気化と分散型化が進んだ現在および将来のエネルギーシステムにおいて重要な要素である。 現在の予測手法にはかなりの手作業が必要であり、しばしば不確実性推定と適切なピーク予測が欠如している。 新たなアプリケーション指向メトリックは、ピーク予測におけるモデルの予測能力をグリッド資産計画のトレードオフと結びつけ、コスト削減と失敗のリスクを最小限に抑える。
  論文  参考訳（メタデータ） (2026-07-02T09:58:46Z)
• CLOUDADV: Decision-Aligned Instance Sizing with Zero-Shot Foundation Models under Drift [2.8210425632081546]
  CLOUDADVは,ワークロードドリフト下でのクラウドインスタンスサイズ評価のための,対話型エンジニア向けアドバイザリシステムである。 各クエリに対して、CLOUDADVは、履歴利用、予測サマリ、現在のVMメタデータ、候補インスタンスオプション、価格、明示的なサイズから構造化された決定コンテキストを構築する。
  論文  参考訳（メタデータ） (2026-06-30T10:49:04Z)
• Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting [45.753923525593045]
  評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。 性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
  論文  参考訳（メタデータ） (2026-06-05T17:05:19Z)
• GAR: Carbon-Aware Routing for LLM Inference via Constrained Optimization [3.0215547730060206]
  現在の経路法では、持続可能なエネルギー利用やCO2排出量を最適化の目的として考えることはめったにない。 我々は,リクエスト毎のCO2排出量を最小限に抑える制約付き多目的最適化フレームワークであるGreen-Aware Routing(GAR)を紹介する。 GARは、競争精度とp95レイテンシの保証を維持しながら、かなりの炭素削減を達成する。
  論文  参考訳（メタデータ） (2026-05-12T06:32:31Z)
• Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting [0.8503925197267593]
  我々は,確率フローモデルの自己回帰微調整を可能にする単一ステップ一貫性モデルであるSwiftを紹介する。 結果から、Swiftは75日間にわたって安定し、最先端の拡散ベースラインよりも39時間以上高速に動作する、熟練した6時間の予測を生成する。
  論文  参考訳（メタデータ） (2025-09-30T00:54:24Z)
• EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
  大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。 ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。 本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:00:13Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)

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。