Le délai et l’énergie changent le choix des modèles temporels

Une prédiction qui arrive trop tard ne permet pas au réseau de préparer un transfert entre cellules ; des prédictions répétées contribuent aussi à la consommation d’énergie de l’appareil.

Quel modèle de série temporelle équilibre le mieux la performance de classification avec ces contraintes de délai et d’énergie ?

Les auteurs présentent un protocole qui filtre les modèles de séries temporelles selon leur délai, puis classe ceux qui passent selon l’énergie mesurée sur toute la chaîne d’inférence.

Les auteurs ont évalué huit architectures sur une tâche simulée de prédiction des transferts entre cellules à Santa Clara, avec une partition fixe des données et des résultats moyennés sur cinq initialisations d’entraînement.

Ils ont mesuré toute la chaîne d’inférence, préparation des données d’entrée comprise, sur un processeur de serveur contrôlé. LightGBM a obtenu le meilleur score F1 parmi les huit modèles, à 0.974 ± 0.002. Le score F1 mesure la performance de classification sur une échelle de 0 à 1.

Avec une mesure par séquences séparées par des pauses, LightGBM a consommé 4,947 microjoules par inférence, contre 16,181 pour CNN-1D, le meilleur modèle neuronal selon le score F1. Cette comparaison suggère que, dans ce contexte, le modèle ayant obtenu le meilleur score de classification avait aussi une consommation mesurée plus faible. Le rythme d’exécution modifiait toutefois l’ampleur apparente de cet écart.

Les données proviennent d’une seule scène urbaine simulée à Santa Clara, et la consommation d’énergie a été estimée à partir de l’utilisation du processeur sur un serveur plutôt que mesurée sur un téléphone.

L’étude n’établit donc ni le même classement des modèles ni les mêmes valeurs absolues de consommation dans d’autres environnements ou sur des téléphones.