Sep, 2023

基于缺失值鲁棒的元启发式神经网络在移动应用开发中的能耗预测

PDF
TL;DR本研究提出了一个新颖的基于神经网络和元启发式算法的框架，以达到在移动应用开发领域中强大的能量预测的目标。通过综合实验，证明了我们的方法在能量消耗预测方面取得了显著成果。
energy consumptionmobile application developmentmachine learningneural networkmetaheuristic algorithm
发现论文，激发创造
  • 元启发式机器学习方法用于移动应用开发能源预测

    本文提出了基于直方图梯度强化分类机和元启发式方法的手机应用程序能耗预测方法，该方法在搜索最佳搜索算法时使用成功历史参数适应技术，可以显著降低能耗，并提供精确的能耗预测。

    Jun, 2023

  • EPAM：移动 AI 的预测能耗模型

    本研究介绍了针对不同 DNN 模型和处理源的移动 AI 应用的全面研究，重点关注计算资源利用率、延迟和能量消耗。通过广泛的实验，我们测量了所有模型的延迟、能量消耗和内存使用情况，并提出了一种基于 DNN 结构、计算资源和处理器的高斯过程回归预测能量模型。此研究为 AI 研究社区提供了关键事实和能量预测机制，以帮助移动 AI 应用程序实现能源效率。

    Mar, 2023

  • 边缘自适应基于人工智能应用程序的能源感知设计方法

    在本文中，我们提出了一种能够平衡应用目标与能耗的采用能量感知方法的自适应 AI 应用程序的设计和部署方法，通过元启发式搜索过程确定可用于自适应系统的配置集合，并使用加权灰色关联分析将最终的配置映射到自适应应用程序的操作模式，验证结果表明，我们的自适应应用程序在节省高达 81% 的能源的同时，仅在准确率上损失了 2% 至 6%。

    Aug, 2023

  • 通过应用评论识别与能源相关的问题

    本文介绍一项关于通过机器学习技术和神经网络模型进行自动化提取与分析相关用户反馈，以探究造成应用程序能源效率低下的原因和 Emerging issues。另外，本文还介绍了两种最先进的主题建模算法 OBTM 和 AOLDA，以及与开发者和学生合作的研究结果，表明 OBTM 产生了最有用的结果。

    Apr, 2023

  • 面向能耗限制的图像分类自适应神经网络设计

    本研究采用超参数优化的设计范式，将 CNN 的架构设置视为全局优化的超参数，以解决现有方法中网络处理数据而不是网络架构的局限性，实现了比以往使用 CNN 作为黑匣子更高效省电的图像分类。

    Aug, 2018

  • NeuralPower: 预测和部署高效卷积神经网络

    本研究提出基于稀疏多项式回归的逐层预测框架 NeuralPower，以准确预测在任何 GPU 平台上部署的卷积神经网络的能耗和运行时间。同时，我们还提出了 “能耗 - 精度比”（EPR）指标，以帮助机器学习者选择更能平衡能耗和预测准确度的 CNN 架构。实验结果表明，该框架可以提高预测精度高达 68.5％，且可以在不同 GPU 平台和深度学习软件工具上得到验证。

    Oct, 2017

  • 面向神经进化系统的物理合理性研究

    通过最大化神经进化框架下人工神经网络模型的准确性和最小化功耗，本研究提出了一种新的变异策略，引入了模块层的随机重新引入，通过训练过程中同时训练两个模型以推动其中一个模型的功耗更低且准确性相似，结果表明功耗降低了 29.2%，但预测性能基本不受影响。

    Jan, 2024

  • 基于物理信息神经网络的建筑能效预测

    基于深层学习模型和物理方程，本文介绍了一种针对住宅建筑热损失的新型神经网络模型，结合建筑信息和能源消耗数据进行能源性能预测，取得了良好的预测准确性，为基于基本建筑特性的自动化、数据驱动能效预测铺平了道路。

    Nov, 2023

  • 大规模网络中的基于专家知识和机器学习的数据驱动能效建模

    通过使用模拟通信网络 (SRCON) 框架，利用机器学习和专家模型，该研究详细介绍了一种基于真实网络数据的能效模拟方法，用于预测网络能效和用户设备服务质量，从而优化移动网络的能源消耗。

    Dec, 2023

  • 使用神经网络集合进行考虑不确定性的车辆能耗效率预测

    本文提出了一种基于深度神经网络（ENN）的集成学习方法，旨在减少交通工具能效预测中的不确定性并输出不确定性度量，该方法在公开的车辆能源数据集（VED）上表现出了高的预测性能和预测不确定性度量。

    Apr, 2023