Energy Efficiency Considerations for Popular AI Benchmarks

要約

【タイトル】人気のAIベンチマークにおけるエネルギー効率性の考慮
【要約】
– 人工知能の進化は、リソース配分と持続可能性が更に必要とされる。
– これには、高い予測パフォーマンスを得るために、高速実行時間を犠牲にするようなエネルギー効率性のトレードオフを明確に評価・報告する必要がある。
– これまで効率性を調査する方法が提案されたが、人気のある方法やデータセットに関する包括的な結果にはまだ欠けている。
– この研究では、100以上の実験結果から、人気のAIベンチマークの実質的な洞察を提供することにより、情報欠如を埋める試みを行っている。
– われわれの発見は、異なるデータセットがそれぞれ効率性の領域を持っていることの証明であり、方法が効率的に行動する可能性がある、あるいはないことを示している。

要約(オリジナル)

Advances in artificial intelligence need to become more resource-aware and sustainable. This requires clear assessment and reporting of energy efficiency trade-offs, like sacrificing fast running time for higher predictive performance. While first methods for investigating efficiency have been proposed, we still lack comprehensive results for popular methods and data sets. In this work, we attempt to fill this information gap by providing empiric insights for popular AI benchmarks, with a total of 100 experiments. Our findings are evidence of how different data sets all have their own efficiency landscape, and show that methods can be more or less likely to act efficiently.

arxiv情報

著者 Raphael Fischer,Matthias Jakobs,Katharina Morik
発行日 2023-04-17 15:18:15+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, OpenAI

カテゴリー: cs.AI, cs.LG, cs.PF パーマリンク