Dec, 2023

GreenFlow: 为构建环保建议系统而设计的计算分配框架

PDF
TL;DR该论文提出了一个实际的计算分配框架 GreenFlow，用于工业级级联推荐系统，考虑了准确性和碳排放，通过动态原始对偶优化方法和行动链组合的奖励计算得到最佳计算分配，从而在维持商业收入的前提下降低了计算消耗约 41%，每天节省约 5000 千瓦时的电力和减少 3 吨碳排放。
industrial cascade recommendation systemscomputation allocation frameworkgreenflowcarbon emissionsenergy consumption
发现论文，激发创造
  • 绿色算法：量化计算的碳足迹

    该研究提出了一种方法学框架和绿色算法工具，以评估任何计算任务的碳足迹，并定义了评估温室气体排放的度量标准，并量化了粒子物理模拟、天气预报和自然语言处理算法的温室气体排放。

    Jul, 2020

  • 推荐系统中的智能请求策略设计

    通过智能请求策略设计 (IRSD) 和提出 AdaRequest 框架，利用注意力神经网络捕捉用户的实时意图和统计推断衡量请求插入对用户购买的影响，有效提高瀑布推荐系统的更新频率和用户体验。

    Jun, 2022

  • 分布式与联邦学习的能源和碳足迹分析

    本论文提出了一种新的框架，用于分布式和联邦学习（FL）的能源和碳足迹分析，研究了完全分散方法和共识方法的能源足迹和碳排放。这个框架量化了基于连续改进的学习三个环节的能源消耗，使用了两个 5G 行业垂直的案例对其进行了分析，结果表明能源消耗和测试准确度应该通过模型和数据足迹来平衡。

    Jun, 2022

  • 联邦学习碳追踪模型：量化和稀疏化影响

    基于边缘设备的联邦学习方法通过采用高效的通信技术来分布机器学习任务，相比于集中式解决方案，减少了数据存储和计算复杂性方面的开销。该论文提出了一个用于实时监测联邦学习系统能源和碳足迹影响的框架，并通过对共识（完全分散）和经典联邦学习策略的评估，首次定量评估了不同的计算和通信高效联邦学习方法在能源消耗和碳等效排放方面的表现，并提供了能效设计的一般指导原则。研究结果表明，在通信能效较低（即 < 25 Kbit/Joule）时，应优先选择共识驱动的联邦学习实现以限制碳排放。此外，量化和稀疏化操作被证明在学习性能和能源消耗之间达到了平衡，从而导致了可持续的联邦学习设计。

    Oct, 2023

  • 绿色数据中心可持续发展的全面自动化扩展

    提出了一种名为 Full Scaling Automation (FSA) 的机制，该机制利用深度表征学习来动态适应大型云计算集群中的工作负载，实现数据中心集群保持所需的 CPU 利用率目标的同时提高能源效率，并且在 2022 年 “双 11” 购物节期间，使用 FSA 机制成功减少了 947 吨二氧化碳的排放，实现了我公司 2030 年碳中和的战略目标。

    May, 2023

  • EdgeRec: 移动淘宝边缘推荐系统

    提出一种基于边缘计算的推荐系统 (EdgeRec)，通过异构用户行为序列建模和行为注意力网络对推荐结果进行上下文感知的调整，实现实时用户感知和系统反馈，并通过淘宝主页数据的离线评估和在线性能测试证明了其有效性。

    May, 2020

  • 基于生成流网络的精确奖励导向图模型主动学习

    本文提出了基于生成式流网络的图主动学习问题的创新形式：GFlowGNN。我们提出了流节点和流特征的概念，以便有效地将图建模为基于流的生成流网络。 并在实际数据集上进行了广泛的实验，证明了该方法具有良好的探索能力和可转移性，表现优于各种最先进的方法。

    Apr, 2023

  • GFlowCausal: 用于因果发现的生成式流网络

    提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

    Oct, 2022

  • 组合推荐系统的顺序评估和生成框架

    该研究提出了一种基于生成序列概念、以期望总效用为目标函数的组合推荐模型，包含基于搜索和增强学习的序列生成策略，以及全面考虑用户、商品信息和商品间关联的评估模型，离线实验表现出优越性能。

    Feb, 2019

  • 基于图学习的推荐系统综述

    本文回顾了基于图学习的推荐系统，特别是讨论了如何从基于图的表示中提取重要的知识来提高推荐的准确性、可靠性和可解释性。

    May, 2021