Scadenze ed energia cambiano la scelta dei modelli temporali

Se una previsione arriva troppo tardi, la rete non può usarla per preparare un handover; inoltre, le previsioni ripetute aumentano il consumo energetico di un dispositivo. Quale modello di serie temporali bilancia meglio le prestazioni di classificazione con questi vincoli di tempo ed energia?

Gli autori introducono un protocollo che seleziona i modelli di serie temporali in base alla scadenza e poi classifica quelli idonei in base al consumo energetico misurato sull’intera pipeline.

Gli autori hanno valutato otto architetture in un compito simulato di previsione degli handover a Santa Clara, mantenendo fissa la suddivisione dei dati e mediando i risultati su cinque seed di addestramento. Hanno misurato l’inference dell’intera pipeline, inclusa la preparazione dell’input, su una CPU di classe server controllata.

LightGBM ha ottenuto il punteggio F1 più alto tra gli otto modelli: 0.974 ± 0.002. F1 è una misura delle prestazioni di classificazione su una scala da 0 a 1.

Con la misurazione a raffiche intervallate da pause di inattività, LightGBM ha consumato 4.947 microjoule per inference, contro 16.181 per CNN-1D, il miglior modello neurale in termini di F1. Il confronto suggerisce che, in questa configurazione, il modello con le migliori prestazioni di classificazione avesse anche un consumo energetico misurato inferiore. La pianificazione di esecuzione ha influito sull’entità apparente del divario.

Le prove provengono da una sola scena urbana simulata di Santa Clara e il consumo energetico è stato stimato dall’utilizzo della CPU su un processore di classe server, anziché misurato su hardware di smartphone.

Lo studio quindi non stabilisce che la graduatoria dei modelli o i valori assoluti di consumo energetico siano gli stessi in altri ambienti o sui telefoni.