A Statistical Learning Approach for Feature-Aware Task-to-Core Allocation in Heterogeneous Platforms
원문 초록
Optimizing task-to-core allocation can substantially reduce power consumption in multi-core platforms without degrading user experience. However, many existing approaches overlook critical factors such as parallelism, compute intensity, and heterogeneous core types. In this paper, we introduce a statistical learning approach for feature selection that identifies the most influential features - such as core type, speed, temperature, and application-level parallelism or memory intensity - for accurate environment modeling and efficient energy optimization. Our experiments, conducted with state-of-the-art Linux governors and thermal modeling techniques, show that correlation-aware task-to-core allocation lowers energy consumption by up to 10% and reduces core temperature by up to 5 degrees Celsius compared to random core selection. Furthermore, our compressed, bootstrapped regression model improves thermal prediction accuracy by 6% while cutting model parameters by 16%, yielding an overall mean square error reduction of 61.6% relative to existing approaches. We provided results based on superscalar Intel Core i7 12th Gen processors with 14 cores, but validated our method across a diverse set of hardware platforms and effectively balanced performance, power, and thermal demands through statistical feature evaluation.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
입력 스킵 잠재 이진 베이지안 신경망을 통한 설명 가능한 베이지안 심층 학습
Explainable Bayesian deep learning through input-skip Latent Binary Bayesian Neural Networks
인공 신경망(ANN)으로 자연 현상을 모델링하면 높은 정확도의 예측을 제공하는 경우가 많습니다. 그러나 ANN은 과잉 파라미터화(over-parameterization)로 인해 해석이 복잡해지고 불확실성 문제가 발생하는 경우가 많습니다. 베이지안 신경망(BNN)은 가중치를 확률 분포로 표현함으로써 예측 불확실성 평가를 가능하게 하여 후자의 문제를 해결합니다. 잠재 이진 베이지안 신경망(LBBNN)은 구조적 불확실성을 추가로 처리하고 불필요한 가중치를 제거하여 모델을 희소화합니다. 본 논문은 공변량(covariate)이 이후의 임의의 층으로 스킵하거나 제외될 수 있도록 함으로써 LBBNN을 발전시켜 네트워크를 단순화하고 예측에 대한 입력의 영향을 명확히 합니다. 이를 통해 적절한 경우 더 단순한 구조(예: 선형 모델 또는 상수 절편 전용 모델)를 학습할 수 있습니다. 또한 입력 스킵 LBBNN(ISLaB) 방법은 표준 LBBNN 대비 네트워크 밀도를 크게 줄여, 소규모 네트워크에서는 99% 이상, 대규모 네트워크에서는 99.9% 이상의 감소를 달성하면서도 높은 예측 정확도와 불확실성 정량화를 유지합니다. 예를 들어, MNIST에서 단 935개의 가중치만으로 97% 정확도와 우수한 캘리브레이션을 달성하여 신경망 압축 분야에서 최신 성능(state-of-the-art)에 도달했습니다. 또한 제안된 방법은 실제 공변량을 정확하게 식별하고 시스템 비선형성을 조정합니다. 주요 기여는 활성 경로(active path)의 도입으로, LBBNN 프레임워크 내에서 직접 설계된 전역 및 지역 설명을 강화한다는 점입니다. 후자는 이론적 보증이 있는 정확한 방법으로, 사후(post hoc) 외부 도구를 필요로 하지 않습니다.
베이지안 회귀, 트리 앙상블 및 Shapley 값을 통합한 역학 데이터의 비선형성을 넘어선 발견과 추론
Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values
머신러닝(ML)은 가설 없는(hypothesis-free) 위험 및 보호 요인 발견을 위해 역학 및 의료 연구에서 인기를 얻고 있습니다. ML은 비선형성과 상호작용을 발견하는 데 강점이 있지만, 신뢰할 수 있는 추론(inference)의 부재로 인해 이러한 강점이 저해됩니다. Shapley 값은 특징의 효과에 대한 국소적 측정치를 제공하지만, 이러한 효과에 대한 타당한 불확실성 정량화가 일반적으로 부족하여 통계적 추론을 불가능하게 만듭니다. 우리는 이러한 한계를 해결하기 위해 전용 베이지안 희소 회귀 모델(model)과 개선된 트리 기반 규칙 생성기, 그리고 Shapley 값 귀속을 결합한 RuleSHAP 프레임워크를 제안합니다. RuleSHAP는 비선형 및 상호작용 효과의 탐지를 제공하며, 개별 수준에서의 불확실성 정량화를 핵심 기여로 포함합니다. 우리는 이 프레임워크 내에서 한계 Shapley 값을 계산하기 위한 효율적인 공식을 유도합니다. 우리는 고콜레스테롤혈증과 고혈압에 대한 여러 효과를 탐지하고 추론하기 위해 역학 코호트 데이터에 RuleSHAP를 적용했으며, 여기에는 연령, 성별, 인종, BMI 및 포도당 수준과 같은 특징 간의 비선형 상호작용 효과가 포함됩니다. 결론적으로, 우리는 시뮬레이션 데이터를 통해 프레임워크의 타당성을 입증합니다.
Interpretable Bayesian Tensor Network Kernel Machines with Automatic Rank and Feature Selection
Malware Classification Leveraging NLP & Machine Learning for Enhanced Accuracy
Simple is what you need for efficient and accurate medical image segmentation
Permutation-Free High-Order Interaction Tests
토론
이 논문과 연결된 포럼 글이 아직 없습니다.