PulseAugur
中
实时 13:06:50
English(EN) TIMEGATE: Sustainable Time-Boxed Promotion Gates for Continual ML Adaptation Under Resource Constraints

TIMEGATE系统通过节省资源的策略优化机器学习适应

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了TIMEGATE，这是一种新颖的策略层，旨在管理机器学习系统的持续适应，同时最大限度地减少资源消耗。该系统对时间、标注、训练和评估进行预算，并发出一个指标可用性信号（M）来指导部分评估和完全评估之间的决策。实验表明，TIMEGATE可以实现显著的计算和能源节省，在LLaMA上进行10%切片评估，使用H200 GPU的运行时间和能源减少了89%，而不会损害准确性或导致静默的错误推广。 AI

影响 提供了一个框架，以降低与持续机器学习模型更新相关的计算和能源成本。

排序理由 关于机器学习适应新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Abhijit Chakrabroty, Suddhasvatta Das, Kevin A. Gary, Yash Shah ·

    TIMEGATE：资源受限下持续机器学习适应的可持续时间盒式推广门

    arXiv:2605.29183v1 Announce Type: cross Abstract: As machine learning(ML) systems evolve to continual adaptation, each re-training cycle uses compute, annotation, and energy. We introduce TIMEGATE, a policy layer managing adaptation by budgeting time, labeling, training, and eval…

相关实体

相关话题