Buchumschlag

Energy Consumption in Parallel Neural Network Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huber, Philipp, Li, David, Muriedas, Juan Pedro Gutiérrez Hermosillo, Kieckhefen, Deifilia, Götz, Markus, Streit, Achim, Debus, Charlotte
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Jigsaw: Training Multi-Billion-Parameter AI Weather Models with Optimized Model Parallelism
von: Kieckhefen, Deifilia, et al.
Veröffentlicht: (2025)

Feed-Forward Optimization With Delayed Feedback for Neural Network Training
von: Flügel, Katharina, et al.
Veröffentlicht: (2023)

Harnessing Orthogonality to Train Low-Rank Neural Networks
von: Coquelin, Daniel, et al.
Veröffentlicht: (2024)

Sampling Parallelism for Fast and Efficient Bayesian Learning
von: Özdemir, Asena Karolin, et al.
Veröffentlicht: (2026)

Beyond Backpropagation: Optimization with Multi-Tangent Forward Gradients
von: Flügel, Katharina, et al.
Veröffentlicht: (2024)

Model Fusion via Neuron Transplantation
von: Öz, Muhammed, et al.
Veröffentlicht: (2025)

A Comparative Study of Pruning Methods in Transformer-based Time Series Forecasting
von: Kiefer, Nicholas, et al.
Veröffentlicht: (2024)

Differentiable Power-Flow Optimization
von: Öz, Muhammed, et al.
Veröffentlicht: (2026)

ReCycle: Fast and Efficient Long Time Series Forecasting with Residual Cyclic Transformers
von: Weyrauch, Arvid, et al.
Veröffentlicht: (2024)

AB-Training: A Communication-Efficient Approach for Distributed Low-Rank Learning
von: Coquelin, Daniel, et al.
Veröffentlicht: (2024)

Exploring Federated Learning for Thermal Urban Feature Segmentation -- A Comparison of Centralized and Decentralized Approaches
von: Duda, Leonhard, et al.
Veröffentlicht: (2025)

PETNet -- Coincident Particle Event Detection using Spiking Neural Networks
von: Debus, Jan, et al.
Veröffentlicht: (2025)

Bayesian Lottery Ticket Hypothesis
von: Kuhn, Nicholas, et al.
Veröffentlicht: (2026)

Parallel-in-Time Training of Recurrent Neural Networks for Dynamical Systems Reconstruction
von: Hess, Florian, et al.
Veröffentlicht: (2026)

A Parallel Alternative for Energy-Efficient Neural Network Training and Inferencing
von: Seal, Sudip K., et al.
Veröffentlicht: (2025)

A Convexity-dependent Two-Phase Training Algorithm for Deep Neural Networks
von: Hrycej, Tomas, et al.
Veröffentlicht: (2025)

Inverse Design of Optical Multilayer Thin Films using Robust Masked Diffusion Models
von: Schaible, Jonas, et al.
Veröffentlicht: (2026)

Forecasting Energy Consumption using Recurrent Neural Networks: A Comparative Analysis
von: Maity, Abhishek, et al.
Veröffentlicht: (2026)

SCPL: Enhancing Neural Network Training Throughput with Decoupled Local Losses and Model Parallelism
von: Ho, Ming-Yao, et al.
Veröffentlicht: (2026)

Leveraging Graph Neural Networks to Forecast Electricity Consumption
von: Campagne, Eloi, et al.
Veröffentlicht: (2024)

Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations
von: Taubert, Oskar, et al.
Veröffentlicht: (2023)

Approximated Likelihood Ratio: A Forward-Only and Parallel Framework for Boosting Neural Network Training
von: Zhang, Zeliang, et al.
Veröffentlicht: (2024)

Measuring the Energy Consumption and Efficiency of Deep Neural Networks: An Empirical Analysis and Design Recommendations
von: Tripp, Charles Edison, et al.
Veröffentlicht: (2024)

From Overfitting to Reliability: Introducing the Hierarchical Approximate Bayesian Neural Network
von: Amirkhanian, Hayk, et al.
Veröffentlicht: (2025)

Parallelizing Node-Level Explainability in Graph Neural Networks
von: Llorente, Oscar, et al.
Veröffentlicht: (2026)

Training Neural Networks from Scratch with Parallel Low-Rank Adapters
von: Huh, Minyoung, et al.
Veröffentlicht: (2024)

PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security
von: Naeini, Hajar Kazemi, et al.
Veröffentlicht: (2025)

Evaluating the Energy Consumption of Machine Learning: Systematic Literature Review and Experiments
von: Rodriguez, Charlotte, et al.
Veröffentlicht: (2024)

Dynamic Universal Approximation Theory: Foundations for Parallelism in Neural Networks
von: Wang, Wei, et al.
Veröffentlicht: (2024)

The Power of Training: How Different Neural Network Setups Influence the Energy Demand
von: Geißler, Daniel, et al.
Veröffentlicht: (2024)

RapidGNN: Energy and Communication-Efficient Distributed Training on Large-Scale Graph Neural Networks
von: Niam, Arefin, et al.
Veröffentlicht: (2025)

ssProp: Energy-Efficient Training for Convolutional Neural Networks with Scheduled Sparse Back Propagation
von: Zhong, Lujia, et al.
Veröffentlicht: (2024)

MoNTA: Accelerating Mixture-of-Experts Training with Network-Traffc-Aware Parallel Optimization
von: Guo, Jingming, et al.
Veröffentlicht: (2024)

CLUE: Neural Networks Calibration via Learning Uncertainty-Error alignment
von: Mendes, Pedro, et al.
Veröffentlicht: (2025)

Comprehensive Evaluation of Prototype Neural Networks
von: Schlinge, Philipp, et al.
Veröffentlicht: (2025)

From Alexnet to Transformers: Measuring the Non-linearity of Deep Neural Networks with Affine Optimal Transport
von: Bouniot, Quentin, et al.
Veröffentlicht: (2023)

Training Safe Neural Networks with Global SDP Bounds
von: Soletskyi, Roman, et al.
Veröffentlicht: (2024)

Training Neural Networks for Modularity aids Interpretability
von: Golechha, Satvik, et al.
Veröffentlicht: (2024)

Z-Error Loss for Training Neural Networks
von: Godin, Guillaume
Veröffentlicht: (2025)

Automatic Stability and Recovery for Neural Network Training
von: Or, Barak
Veröffentlicht: (2026)