Buchumschlag

Green AI: A Preliminary Empirical Study on Energy Consumption in DL Models Across Different Runtime Infrastructures

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Alizadeh, Negar, Castor, Fernando
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Language Models in Software Development Tasks: An Experimental Analysis of Energy and Accuracy
von: Alizadeh, Negar, et al.
Veröffentlicht: (2024)

An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code
von: Weidmann, Sophie, et al.
Veröffentlicht: (2026)

Towards Green AI: Decoding the Energy of LLM Inference in Software Development
von: Solovyeva, Lola, et al.
Veröffentlicht: (2026)

LLM-Guided Runtime Parameter Optimization for Energy-Efficient Model Inference
von: Crumpacker, Katelyn, et al.
Veröffentlicht: (2026)

AIPC: Agent-Based Automation for AI Model Deployment with Qualcomm AI Runtime
von: Su, Jianhao, et al.
Veröffentlicht: (2026)

Estimating the Energy Footprint of Software Systems: a Primer
von: Castor, Fernando
Veröffentlicht: (2024)

Bridging the Language Gap: An Empirical Study of Bindings for Open Source Machine Learning Libraries Across Software Package Ecosystems
von: Li, Hao, et al.
Veröffentlicht: (2022)

Phoeni6: a Systematic Approach for Evaluating the Energy Consumption of Neural Networks
von: Oliveira-Filho, Antônio, et al.
Veröffentlicht: (2025)

AI-Powered, But Power-Hungry? Energy Efficiency of LLM-Generated Code
von: Solovyeva, Lola, et al.
Veröffentlicht: (2025)

An Empirical Analysis of Mobile Energy Consumption Across User Configurations
von: Oliveira, Wellington
Veröffentlicht: (2026)

RepDL: Bit-level Reproducible Deep Learning Training and Inference
von: Xie, Peichen, et al.
Veröffentlicht: (2025)

Using Large Language Models to Generate JUnit Tests: An Empirical Study
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2023)

ThrowBench: Benchmarking LLMs by Predicting Runtime Exceptions
von: Prenner, Julian Aron, et al.
Veröffentlicht: (2025)

Debugging and Runtime Analysis of Neural Networks with VLMs (A Case Study)
von: Hu, Boyue Caroline, et al.
Veröffentlicht: (2025)

Towards Enhancing the Reproducibility of Deep Learning Bugs: An Empirical Study
von: Shah, Mehil B., et al.
Veröffentlicht: (2024)

Cerberus: Multi-Agent Reasoning and Coverage-Guided Exploration for Static Detection of Runtime Errors
von: Dhulipala, Hridya, et al.
Veröffentlicht: (2025)

Automated Cloud Infrastructure-as-Code Reconciliation with AI Agents
von: Yang, Zhenning, et al.
Veröffentlicht: (2025)

Carbon-Taxed Transformers: A Green Compression Pipeline for Overgrown Language Models
von: Alam, Ajmain Inqiad, et al.
Veröffentlicht: (2026)

Themisto: Jupyter-Based Runtime Benchmark
von: Grotov, Konstantin, et al.
Veröffentlicht: (2025)

Should Code Models Learn Pedagogically? A Preliminary Evaluation of Curriculum Learning for Real-World Software Engineering Tasks
von: Khant, Kyi Shin, et al.
Veröffentlicht: (2025)

Can Adjusting Hyperparameters Lead to Green Deep Learning: An Empirical Study on Correlations between Hyperparameters and Energy Consumption of Deep Learning Models
von: Wang, Taoran, et al.
Veröffentlicht: (2026)

Who Wins the Race? (R Vs Python) - An Exploratory Study on Energy Consumption of Machine Learning Algorithms
von: Chattaraj, Rajrupa, et al.
Veröffentlicht: (2025)

An ML-based Approach to Predicting Software Change Dependencies: Insights from an Empirical Study on OpenStack
von: Arabat, Ali, et al.
Veröffentlicht: (2025)

Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach
von: Tan, Ivan, et al.
Veröffentlicht: (2025)

How do Machine Learning Projects use Continuous Integration Practices? An Empirical Study on GitHub Actions
von: Bernardo, João Helis, et al.
Veröffentlicht: (2024)

Data vs. Model Machine Learning Fairness Testing: An Empirical Study
von: Shome, Arumoy, et al.
Veröffentlicht: (2024)

When Data Quality Issues Collide: A Large-Scale Empirical Study of Co-Occurring Data Quality Issues in Software Defect Prediction
von: Dapaah, Emmanuel Charleson, et al.
Veröffentlicht: (2025)

Dissecting Transformers: A CLEAR Perspective towards Green AI
von: Jain, Hemang, et al.
Veröffentlicht: (2025)

Fault Localisation and Repair for DL Systems: An Empirical Study with LLMs
von: Kim, Jinhan, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Testing Interdependent Requirements in Autonomous Vehicles: An Empirical Study
von: Wu, Jiahui, et al.
Veröffentlicht: (2025)

An Empirical Analysis of Machine Learning Model and Dataset Documentation, Supply Chain, and Licensing Challenges on Hugging Face
von: Stalnaker, Trevor, et al.
Veröffentlicht: (2025)

A Synthesis of Green Architectural Tactics for ML-Enabled Systems
von: Järvenpää, Heli, et al.
Veröffentlicht: (2023)

An Empirical Study of Fault Localisation Techniques for Deep Learning
von: Humbatova, Nargiz, et al.
Veröffentlicht: (2024)

Parameter-Efficient Fine-Tuning of Large Language Models for Unit Test Generation: An Empirical Study
von: Storhaug, André, et al.
Veröffentlicht: (2024)

Babbling Suppression: Making LLMs Greener One Token at a Time
von: Solovyeva, Lola, et al.
Veröffentlicht: (2026)

Evaluating the Process Modeling Abilities of Large Language Models -- Preliminary Foundations and Results
von: Fettke, Peter, et al.
Veröffentlicht: (2025)

Order Matters! An Empirical Study on Large Language Models' Input Order Bias in Software Fault Localization
von: Rafi, Md Nakhla, et al.
Veröffentlicht: (2024)

Automatic Detection of LLM-Generated Code: A Comparative Case Study of Contemporary Models Across Function and Class Granularities
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2024)

Is Hyper-Parameter Optimization Different for Software Analytics?
von: Yedida, Rahul, et al.
Veröffentlicht: (2024)

On the Impact of Code Comments for Automated Bug-Fixing: An Empirical Study
von: Vitale, Antonio, et al.
Veröffentlicht: (2026)