論文の概要、ライセンス

# (参考訳) NLP研究における気候意識 [全文訳有]

Towards Climate Awareness in NLP Research ( http://arxiv.org/abs/2205.05071v2 )

ライセンス: CC BY 4.0
Daniel Hershcovich, Nicolas Webersinke, Mathias Kraus, Julia Anna Bingler and Markus Leippold(参考訳) AIの気候の影響、特にNLPの研究は、計算モデルのトレーニングと実行にますます使われている膨大な量のエネルギーを考えると、深刻な問題となっている。 これにより、効率の良いNLPに焦点が当てられる。 しかし、この重要なイニシアチブは、NLP研究の系統的な気候報告を可能にする単純なガイドラインを欠いている。 われわれは、この欠落が、環境影響のより徹底的な調査を可能にする、NLPレポートの重要人物がほとんどいない理由の1つだと論じている。 本稿では,実験と基礎となるコンピュータハードウェアに関する限られた情報のみを有効利用することを目的とした,気候評価モデルカードを提案する。 このステップがnlp研究の環境影響に対する認識を高める上で不可欠である理由を説明し,より詳細な議論への道筋を開く。

The climate impact of AI, and NLP research in particular, has become a serious issue given the enormous amount of energy that is increasingly being used for training and running computational models. Consequently, increasing focus is placed on efficient NLP. However, this important initiative lacks simple guidelines that would allow for systematic climate reporting of NLP research. We argue that this deficiency is one of the reasons why very few publications in NLP report key figures that would allow a more thorough examination of environmental impact. As a remedy, we propose a climate performance model card with the primary purpose of being practically usable with only limited information about experiments and the underlying computer hardware. We describe why this step is essential to increase awareness about the environmental impact of NLP research and, thereby, paving the way for more thorough discussions.
公開日: Wed, 11 May 2022 18:18:41 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Towards Climate Awareness in NLP Research Daniel Hershcovich NLP研究における気候意識への取り組み 0.73
Nicolas Webersinke Mathias Kraus Nicolas Webersinke Mathias Kraus 0.42
University of Copenhagen FAU Erlangen-Nuremberg コペンハーゲン大学 FAU Erlangen-Nuremberg 0.46
dh@di.ku.dk dh@di.ku.dk 0.29
{nicolas.webersinke, mathias.kraus}@fau.de mathias.kraus}@fau.de 0.32
Julia Anna Bingler ジュリア・アンナ・ビングラー 0.33
ETH Zurich ETH チューリッヒ 0.69
binglerj@ethz.ch binglerj@ethz.ch 0.39
Markus Leippold University of Zurich チューリッヒのmarkus leippold大学 0.56
markus.leippold@bf.u zh.ch markus.leippold@bf.u zh.ch 0.24
2 2 0 2 y a M 1 1 2 2 0 2 y a m 1 1 である。 0.54
] L C . s c [ 2 v 1 7 0 5 0 ]LC。 sc [ 2 v 1 7 0 5 0 0.30
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
Abstract The climate impact of AI, and NLP research in particular, has become a serious issue given the enormous amount of energy that is increasingly being used for training and running computational models. 概要 AIの気候の影響、特にNLPの研究は、計算モデルのトレーニングと実行にますます使われている膨大な量のエネルギーを考えると、深刻な問題となっている。 0.58
Consequently, increasing focus is placed on efficient NLP. これにより、効率の良いNLPに焦点が当てられる。 0.60
However, this important initiative lacks simple guidelines that would allow for systematic climate reporting of NLP research. しかし、この重要なイニシアチブは、NLP研究の系統的な気候報告を可能にする単純なガイドラインを欠いている。 0.60
We argue that this deficiency is one of the reasons why very few publications in NLP report key figures that would allow a more thorough examination of environmental impact. われわれは、この欠落が、環境影響のより徹底的な調査を可能にする、NLPレポートの重要人物がほとんどいない理由の1つだと論じている。 0.60
As a remedy, we propose a climate performance model card with the primary purpose of being practically usable with only limited information about experiments and the underlying computer hardware. 本稿では,実験と基礎となるコンピュータハードウェアに関する限られた情報のみを有効利用することを目的とした,気候評価モデルカードを提案する。 0.77
We describe why this step is essential to increase awareness about the environmental impact of NLP research and, thereby, paving the way for more thorough discussions. このステップがnlp研究の環境影響に対する認識を高める上で不可欠である理由を説明し,より詳細な議論への道筋を開く。 0.73
Introduction 1 As Artificial Intelligence (AI), and specifically Natural Language Processing (NLP), scale up to require more computational resources and thereby more energy, there is an increasing focus on efficiency and sustainability (Strubell et al , 2019; Schwartz et al , 2020). はじめに 1. 人工知能(AI)、特に自然言語処理(NLP)は、より多くの計算リソースを必要とし、より多くのエネルギーを必要とするため、効率と持続性に重点が置かれている(Strubell et al , 2019; Schwartz et al , 2020)。 0.66
For example, training a single BERT base model (Devlin et al , 2019) requires as much energy as a trans-American flight (Strubell et al , 2019). 例えば、単一のBERTベースモデル(Devlin et al , 2019)のトレーニングには、米国横断飛行(Strubell et al , 2019)と同じくらいのエネルギーが必要である。 0.80
While newer models are arguably more efficient (Fedus et al , 2021; Borgeaud et al , 2022; So et al , 2022), they are also an order of magnitude larger, raising environmental concerns (Bender et al , 2021). 新しいモデルは間違いなく効率が良いが(Fedus et al , 2021; Borgeaud et al , 2022; So et al , 2022)、環境問題も大きい(Bender et al , 2021)。
訳抜け防止モード: 新しいモデルは間違いなく効率的である(Fedus et al)。 2021 ; Borgeaud et al, 2022 ; So et al, 2022年) も桁違いに大きい。 環境問題(Bender et al, 2021)を提起する。
0.72
The problem will only worsen with time, as compute requirements double every 10 months (Sevilla et al , 2022). 問題は時間とともに悪化し、計算要求は10ヶ月ごとに倍増する(sevilla et al, 2022)。 0.77
A group of NLP researchers has recently proposed a policy document1 of recommendations for 1https://www.aclweb. org/portal/conten NLP研究者のグループは、最近1https://www.aclweb. org/portal/contenの勧告のポリシー文書1を提案した。 0.52
t/efficient-nlp-poli cy-document t/efficient-nlp-poli cy-document 0.12
Figure 1: Example usage of our proposed climate performance model card (§4). 図1: 提案した気候パフォーマンスモデルカードの例(4)。 0.73
efficient NLP, aiming to minimize the greenhouse gas (GHG) emissions2 resulting from experiments done as part of the research. 効率的なNLPは、温室効果ガス(GHG)排出量を最小化することを目的としている。 0.66
This proposal is part of a research stream aiming towards Green NLP and Green AI (Schwartz et al , 2020), which refers to “AI research that yields novel results while taking into account the computational cost, encouraging a reduction in resources spent.” この提案は、グリーンNLPとグリーンAI(Schwartz et al , 2020)を目指す研究の流れの一部であり、計算コストを考慮して新しい結果を得るAI研究であり、費やしたリソースの削減を促進するものである。 0.79
Greenwashing. グリーンウォッシング。 0.62
While branding NLP and AI research as green increases awareness of the environmental impact, there is a risk that the current framing, which exclusively addresses efficiency, will be perceived as the solution to the problem. nlpとai研究をグリーンにブランディングすることで環境への影響に対する認識が高まる一方、現在のフレーミングは効率を専ら取り扱うが、この問題の解決策として認識されるリスクがある。 0.72
However, we claim that climate awareness is essential enough to be promoted in mainstream NLP (rather than only as a niche field) and that positive impact must be an inherent part of the discussion しかし、気候認識は(ニッチな分野としてではなく)主流のnlpで推進されるのに十分必要であり、ポジティブな影響は議論の本質的な部分であると主張する。
訳抜け防止モード: しかし、気候意識は十分重要であると主張する。 ニッチフィールドとしてではなく)主流のNLPで推進される ポジティブな影響は 議論の本質的な部分でなければならない
0.80
2GHG, CO2, and carbon are used interchangeably in this paper. 本論文では, 2GHG, CO2, 炭素を交互に用いた。 0.72
CO2eq (or CO2e), i.e., carbon dioxide equivalent translates GHG other than CO2 into CO2 equivalents based on the global warming potential (Brander and Davis, 2012). CO2eq(またはCO2e)、すなわち二酸化炭素等価量(CO2以外のGHGを地球温暖化ポテンシャルに基づくCO2等価量に変換する(Brander and Davis, 2012)。 0.78
英語(論文から抽出)日本語訳スコア
(Rolnick et al , 2019; Stede and Patz, 2021). (Roolnick et al , 2019; Stede and Patz, 2021)。 0.39
Of course, we attribute benevolent motives to the authors of the proposed policy document. もちろん、我々は、提案された政策文書の著者に好意的な動機を与えます。 0.67
Nevertheless, we would like to avoid a situation analogous to a common phenomenon in the financial field, where companies brand themselves as green or sustainable for branding or financial reasons, without implementing proportional measures in practice to mitigate the negative impact on the environment (Delmas and Burbano, 2011). それにもかかわらず、企業は環境への悪影響を軽減するために実際に比例措置を講じることなく、ブランディングや財務上の理由から緑や持続可能なブランドをブランドする金融分野における共通の現象と類似した状況を避けたい(delmas and burbano, 2011)。 0.75
This malpractice is analogous to greenwashing. この悪用は緑洗に似ている。 0.49
While this is a general term, one aspect of greenwashing is “a claim suggesting that a product is green based on a narrow set of attributes without attention to other important environmental issues” (TerraChoice, 2010).3 これは一般的な用語であるが、グリーンウォッシングの1つの側面は「他の重要な環境問題に注意を払わずに、狭い属性のセットに基づいて製品が緑であることを示す主張」(terrachoice, 2010)である。 0.75
Our motivation is in line with the EU Commission’s initiative to “require companies to substantiate claims they make about the environmental footprint of their products/services by using standard methods for quantifying them. The aim is to make the claims reliable, comparable and verifiable across the EU— reducing ‘greenwashing’ (companies giving a false impression of their environmental impact).”4 While Schwartz et al (2020) certainly do not argue that efficiency is sufficient for sustainability, this notion, which is potentially implied by the green branding, is misleading and even harmful: regardless of the extent of reduction, resources are still consumed, and GHGs are still emitted, among other negative effects. Our motivation is in line with the EU Commission’s initiative to “require companies to substantiate claims they make about the environmental footprint of their products/services by using standard methods for quantifying them. The aim is to make the claims reliable, comparable and verifiable across the EU— reducing ‘greenwashing’ (companies giving a false impression of their environmental impact).”4 While Schwartz et al (2020) certainly do not argue that efficiency is sufficient for sustainability, this notion, which is potentially implied by the green branding, is misleading and even harmful: regardless of the extent of reduction, resources are still consumed, and GHGs are still emitted, among other negative effects.
訳抜け防止モード: 当社のモチベーションは、EU委員会による「企業が主張を裏付けるよう要求する」イニシアチブと一致している。 自分たちの製品やサービスの 環境のフットプリントを その目的は、EU全体で主張を信頼し、比較し、検証できるようにすることであり、「グリーンウォッシング」を減らすことである(環境への影響を誤った印象を与える企業)。 Schwartzら(2020)は、効率が持続可能性に十分であると主張するわけではない。 この概念はグリーンブランディングによってもたらされます 誤解を招き 有害です 削減の程度にかかわらず 資源はまだ消費されています GHGは依然として放出され、その他のネガティブな効果がある。
0.71
The efficiency mindset aims, at best, to prolong the duration of this situation. 効率の考え方は、せいぜい、この状況の持続期間を延長することを目的としています。 0.53
However, scaling up the performance of AI to satisfy the increasing demands from consumers risks ignoring the externalities incurred. しかし、AIのパフォーマンスをスケールアップして、消費者からの要求の増加を満たすことで、外部性を無視してしまうリスクがある。
訳抜け防止モード: しかし、消費者の需要増加を満たすためにAIの性能を拡大する 外部性を無視したリスク。
0.72
Concepts such as reciprocity with the environment or positive impact on it, which are central in some indigenous worldviews (Kimmerer, 2013), are mostly excluded from the discourse. 環境との相互性や環境に対する肯定的な影響といった概念は、いくつかの先住民の世界観の中心にある(Kimmerer, 2013)。 0.68
Carbon offsetting. A common perception is that carbon neutrality can be achieved by compensating 炭素オフセット。 一般的な認識は、炭素中立性は補償によって達成できるということである。 0.59
3Paper, for example, is not necessarily environmentally preferable just because it comes from a sustainably harvested forest. 例えば、3紙は、持続的に収穫される森林に由来するため、必ずしも環境上好まれるものではない。 0.64
Other important environmental issues in the papermaking process, such as greenhouse gas emissions or chlorine use in bleaching, may be equally important. 製紙工程における他の重要な環境問題、例えば温室効果ガスの排出や漂白に使用する塩素等も同様に重要である。 0.76
Other examples are energy, utilities, and gasoline corporations that advertise about the benefits of new sources of energy while some are drilling into unexplored areas to source oil and thus destroying natural habitats and losing biodiversity, disguising the imbued hidden impacts (de Freitas Netto et al , 2020). その他の例として、エネルギー、公益事業、ガソリン会社があり、新しいエネルギー源の利点を宣伝する一方で、石油の供給源となる未探査地域を掘削し、自然の生息地を破壊し、生物多様性を失わせている者もいる(de freitas netto et al, 2020)。 0.63
4https://ec.europa.e u/info/law/better -regulation/have-you r-say/initiatives/12 511-Environmental-pe rformance-of-product s-&-businesses-substant iating-claims_en 4https://ec.europa.e u/info/law/better -regulation/have-you r-say/initiatives/12 511-Environmental- Performance-of-produ ct s-&-businesses-substant iating-claims_en 0.11
for emissions by financial contributions, a practice referred to as carbon offsets. 炭素オフセットという,財政的な貢献による排出量の削減。 0.62
However, following such an approach is problematic because of a controversial and often misleading debate about this concept and the level of carbon prices required to achieve climate goals (Hyams and Fawcett, 2013). しかし、こうしたアプローチに従えば、この概念と気候目標を達成するのに必要な炭素価格のレベルに関する議論がしばしば誤解を招くので問題となる(hyams and fawcett, 2013)。 0.78
The Intergovernmental Panel on Climate Change (IPCC) and various international organizations like the International Energy Agency (IEA) clearly state that mitigation activities are essential. 気候変動に関する政府間パネル(IPCC)や国際エネルギー機関(IEA)のような国際機関は、緩和活動が不可欠であることを明言している。 0.72
Compensation activities will be necessary for hard-to-abatesectors , once all other technological solutions have been implemented, and where mitigation is not (yet) feasible.5 ハード・トゥ・アベクターには補償活動が必要であり、他のすべての技術ソリューションが実装され、緩和が実現不可能な場合は5。 0.58
Moreover, economic dynamic efficiency requires investments in decarbonization technologies to keep the climate targets within reach. さらに、経済のダイナミックな効率性は、気候目標に到達できるように脱炭技術に投資する必要がある。 0.64
Compensation activities, especially in the afforestation area, delay the needed investments. 特に森林地帯での補償活動は必要な投資を遅らせる。 0.66
This delay might exacerbate the likelihood of crossing climate tipping points and/or yields to a disorderly transition to a decarbonized economy (European Systemic Risk Board, 2016). この遅れは、気候の転換点を越える可能性や、不規則に非炭化経済に移行する可能性を高める可能性がある(European Systemic Risk Board, 2016)。 0.65
Automated reporting. Another research stream (see §4.1) provides researchers with software tools to measure carbon footprint while training models, and report it in their manuscripts (Lacoste et al , 2019; Henderson et al , 2020; Anthony et al , 2020; Lottick et al , 2019). 自動報告。 別の研究の流れ(4.1)は、トレーニングモデル中に炭素排出量を測定し、それを原稿に報告するソフトウェアツールを研究者に提供する(La Coste et al , 2019; Henderson et al , 2020; Anthony et al , 2020; Lottick et al , 2019)。 0.79
While these proposed tools are very helpful, our literature survey (§2) shows that adaption by the community is limited. 提案ツールは非常に有効であるが,文献調査(2)では,コミュニティによる適応は限られている。 0.77
We argue that this results from technical issues that limit the application to standard systems. これは、標準システムへのアプリケーションを制限する技術的問題の結果であると主張する。 0.67
More importantly, we argue that the limited usage of these tools is caused by insufficient awareness about the topic of carbon footprint in NLP, despite substantial efforts within the community. さらに、これらのツールの使用が制限されているのは、コミュニティ内でのかなりの努力にもかかわらず、NLPにおける炭素フットプリントの話題に対する認識が不十分なためである、と論じる。 0.52
Improving the accuracy and easy of use of such reporting tools is one of the key challenges of the field (Schwartz et al , 2020). このような報告ツールの精度と使いやすさの向上は、この分野における重要な課題の1つである(Schwartz et al , 2020)。 0.72
Contributions. to the aforementioned approaches, we aim to simplify climate performance reporting while at the same time increasing awareness to its intricacies. 貢献。 上記のアプローチでは、気候性能報告を簡素化するとともに、その複雑さに対する認識を高めることを目的としています。
訳抜け防止モード: 貢献。 先述のアプローチに 目指すのは 気候性能の報告を簡素化すると同時に、その複雑さへの意識を高めます。
0.48
This work contributes to the field of NLP in the following ways: この研究は、以下の方法でNLPの分野に貢献する。 0.70
In contrast • We conduct a survey of environmental impact statements in NLP literature published in the past six years (§2). 対照的に •過去6年間に刊行されたnlp文献における環境影響評価の実態調査を行う(第2報)。 0.70
This survey is conducted across five dimensions that directly influence the environmental impact. この調査は環境影響に直接影響を与える5つの次元にまたがる。 0.84
5See for example www.ipcc.ch/sr15/ and www.ie a.org/reports/world- energy-outlook-2021. 5 例 www.ipcc.ch/sr15/とwww.ie a.org/reports/world- energy-outlook-2021を参照。 0.30
英語(論文から抽出)日本語訳スコア
• We delineate the different notions of “efficiency” common in the literature, proposing a taxonomy to facilitate transparent reporting, and identify ten simple dimensions across which researchers can describe the environmental impact resulted by their research (§3). 一 文献に共通する「効率」の異なる概念を概説し、透明な報告を容易にする分類法を提案し、研究者が研究によって引き起こされる環境影響を記述できる10の単純な次元を同定する。 0.75
• We propose a climate performance model card (§4) with the main purpose of being practically usable with only limited information about experiments and the underlying computer hardware (see Figure 1). • 実験と基礎となるコンピュータハードウェアに関する限られた情報しか利用できないことを主目的とした気候性能モデルカード(4)を提案する(図1参照)。 0.85
2 Survey of Climate Discussion in NLP NLPにおける気候に関する2つの考察 0.64
The issue of environmental impact is more general and not limited to NLP, but relevant to the entire field of AI: Schwartz et al (2020) surveyed papers from ACL, NeurIPS, and CVP. 環境影響の問題は、より一般的なものであり、NLPに限ったものではないが、AIの分野全体に関連する: Schwartz et al (2020)はACL、NeurIPS、CVPの論文を調査した。 0.70
They noted whether authors claim their main contribution to improving accuracy or some related measure, an improvement to efficiency, both, or other. 彼らは、著者が正確性の改善に主要な貢献をしているか、あるいは関連する指標、効率性の改善を主張しているか、あるいはその両方について言及した。
訳抜け防止モード: 彼らは、著者が正確性向上に主要な貢献を主張するかどうかに言及した。 あるいは関連する指標として 効率性の改善があります
0.64
In all the conferences they considered, a large majority of the papers target accuracy. 彼らが考慮したすべてのカンファレンスにおいて、ほとんどの論文は正確さを目標としている。 0.47
However, we claim that the issue is more complex, and it is not sufficient to consider only the “main contribution.” しかし、この問題はより複雑であり、「主な貢献」のみを考慮するだけでは不十分であると主張する。 0.72
Every paper should ideally have a positive impact or provide sufficient information to discuss meaningful options to reduce and mitigate negative impacts. すべての論文は、ポジティブな影響を理想的に持つか、あるいはネガティブな影響を低減し軽減するための有意義な選択肢について議論するための十分な情報を提供するべきである。
訳抜け防止モード: すべての論文は、理想的にはポジティブな影響を与えるか、あるいは十分な情報を提供するべきである ネガティブな影響を減らし軽減する 有意義な選択肢について議論します
0.53
We conduct a similar survey of papers in *ACL venues from 2016-2021 by downloading them from the ACL Anthology.6 ACL Anthology.6からダウンロードすることで、2016年から2021年までのACL会場で同様の調査を行っている。 0.65
However, instead of focusing on the main contribution, we look for any discussions on climate-related issues. しかし、主な貢献に焦点をあてる代わりに、気候問題に関するいかなる議論も求めています。 0.74
We identify five dimensions in our study sample and create a regex pattern for each.7 研究サンプルの5次元を識別し,それぞれにRegexパターンを作成する。 0.66
These dimensions are public model weights, duration of model training or optimization, energy consumption, the location where computations are performed, and GHG emissions. これらの次元は、公開モデルウェイト、モデルトレーニングまたは最適化の期間、エネルギー消費、計算が行われる場所、およびGHG排出量である。 0.63
If the regex pattern matches the text of a paper at least once,8 we consider that paper as discussing the corresponding category. regexパターンが少なくとも1回は紙のテキストと一致する場合、その論文は対応するカテゴリを議論するものだと考えます。 0.68
We derive the proportions of papers by dividing the number of papers discussing a category by the number of deep learning-related papers. カテゴリについて議論する論文の数を深層学習関連論文の数で割ることで,論文の割合を導出する。 0.71
We only consider deep learning-related papers, as for these papers, climaterelated issues are of much higher relevance than 深層学習に関する論文だけを考えると、これらの論文では、気候に関する問題はよりはるかに高い関連性がある。 0.60
6https://aclantholog y.org/ 7We provide a collaborative notebook with our code at 6https://aclantholog y.org/ 7 私たちはコードで共同作業ノートブックを提供します。 0.54
anonymized. 8While more recent papers have a dedicated “broader impact” section (see §4), in older papers, this discussion can appear anywhere in the text. 匿名化 セクションがあるが、古い論文では、この議論はテキストのどこにでも現れる。
訳抜け防止モード: 匿名化 8 最近の論文には“より広範なインパクト”のセクションがある。 四つ星を参照。 古い論文では、この議論はテキストのどこにでも現れる。
0.42
Figure 2: Development of proportions of deeplearning-related *ACL papers discussing public model weights, duration of model training or optimization, energy consumption, location where computations where performed, and emission of GHG. 図2: パブリックモデルの重み付け、モデルのトレーニングと最適化の期間、エネルギー消費量、実行された計算場所、ghgの放出について議論するディープラーニング関連*acl論文の比率の開発。
訳抜け防止モード: 図2 : 深層学習の比率の発達 -関連* ACL論文の公開モデル重みに関する考察- モデルトレーニングまたは最適化の期間、エネルギー消費、計算が行われる場所 およびGHGの排出量
0.85
While climate awareness is on the rise, it is still low overall. 気候の認知度は上昇しているが、全体的にはまだ低い。 0.72
The numbers were calculated by counting regex pattern matches for papers in the ACL Anthology. ACLアンソロジーの論文のレゲックスパターンマッチングを数えて計算した。
訳抜け防止モード: 数字は計算された ACLアンソロジーの論文のregexパターンマッチングをカウントする。
0.75
for those using other machine learning algorithms. 他の機械学習アルゴリズムを使っています 0.79
While our approach with regex patterns is not perfect, we argue that it is sufficient to get a sense of the development of climate-related discussions in the literature. regexパターンを用いたアプローチは完全なものではないが、気候に関する議論が文献の中で展開されることは十分であると主張する。 0.75
In addition, we get a much broader picture than with a manual analysis. 加えて、手動による分析よりもはるかに広い画像が得られます。 0.78
Figure 2 shows our findings. 図2は我々の発見を示しています。 0.52
In general, researchers discuss climate-related issues more and more in their work. 一般的に、研究者は気候に関する問題を研究の中でますます議論している。 0.57
For instance, the proportion of papers that publish their model weights has almost quadrupled from about 1% in 2017 to 4% in 2021. 例えば、モデル重量を公表する論文の割合は、2017年の約1%から2021年の4%にほぼ4倍に増えている。 0.73
We also find an increase in the proportion of papers that provide information on emissions or energy consumption. また、排出やエネルギー消費に関する情報を提供する論文の割合も増加しています。 0.73
Nevertheless, the proportion for these categories, in particular, remains at a low level. しかし、これらのカテゴリーの比率は、特に低水準のままである。 0.61
This highlights the need to raise awareness of climate-related issues further and find a simple but effective way to report them transparently. このことは、気候に関する問題に対する認識を高め、それらを透過的に報告する単純で効果的な方法を見つける必要性を強調している。
訳抜け防止モード: これは気候変動に対する意識を高める必要性を強調している。 シンプルで効果的な 報告方法を見つけました
0.69
Besides awareness and facilitation, incentives to address these issues could be a complementary approach. 意識とファシリテーションに加えて、これらの問題に対処するインセンティブも補完的なアプローチになり得る。 0.59
However, in the rest of this paper we focus on the former “intrinsic” motivation factors, leaving “extrinsic” motivation factors to future work. しかし,本稿の残りの部分では,従来の“本質的な”モチベーション要因に注目し,今後の作業に“本質的な”モチベーション要因を残している。
訳抜け防止モード: しかし,本論文の他の部分では,従来の「本質的」動機づけ要因に注目した。 モチベーション要因を将来の仕事に残します。
0.74
3 Towards Actionable Awareness 3 行動可能な意識に向けて 0.54
Efficiency (alongside accuracy) has been one of the main objectives in NLP (and computer science in general) long before its environmental aspects have been widely considered. 効率性(傍ら精度)は、環境面が広く検討されるずっと前から、NLP(およびコンピュータ科学全般)の主要な目的の1つであった。 0.74
In general, it refers to the amount of resources consumed (input) in order to achieve a given goal, such as a specific computation 一般に、特定の計算などの特定の目標を達成するために消費される資源(入力)の量を指す。 0.75
英語(論文から抽出)日本語訳スコア
or accuracy in a task (output). またはタスク(出力)の正確さ。 0.76
Different definitions of efficiency correspond to different concepts of input and output. 効率の異なる定義は入力と出力の異なる概念に対応する。 0.86
It is crucial to (1) understand the different concepts, (2) be aware of their differences and consequently their climate impact, and (3) converge towards a set of efficiency measures that will be applied for comparable climate performance evaluation in NLP research. 1)異なる概念を理解し,(2)その相違を意識し,結果として気候への影響を認識し,(3)NLP研究において同等の気候性能評価に適用される一連の効率評価に収束することが重要である。 0.86
Schwartz et al (2020) sets out to compare several efficiency measures in AI. Schwartz et al (2020) は、AIのいくつかの効率対策を比較する。 0.76
They focus on input or resource consumption measures: CO2eq emission, electricity usage, elapsed real time, number of parameters, and FPO (floating-point operations). それらは、CO2eq排出量、電力使用量、経過したリアルタイム、パラメータの数、FPO(浮動小数点演算)など、入力またはリソース消費の指標に焦点を当てている。
訳抜け防止モード: 入力・資源消費対策に焦点をあてる : co2eq排出 電気使用量、リアルタイム経過、パラメータ数、 そして、fpo(浮動小数点演算)。
0.66
They suggest FPO as a concrete, reliable measure for climate-related efficiency that does not depend on the underlying hardware, local electricity infrastructure, or algorithmic details. 彼らはFPOを、基盤となるハードウェア、ローカル電気インフラ、アルゴリズムの詳細に依存しない、気候関連効率の具体的で信頼性の高い尺度として提案している。 0.56
Additionally, they suggest measuring efficiency as a trade-off between performance and training set size to enable comparisons with small training budgets. さらに、小さなトレーニング予算との比較を可能にするために、パフォーマンスとトレーニングセットサイズのトレードオフとして効率を測定することを提案する。 0.60
Henderson et al (2020) show that FPOs can be misleading: “while FPOs are useful for measuring relative ordering within architecture classes, they are not adequate on their own to measure energy or even runtime efficiency.” Henderson et al (2020) は、FPOは誤解を招く可能性があることを示している:「FPOはアーキテクチャクラス内で相対的な順序を測定するのに有用であるが、エネルギーや実行時の効率を測定するのに十分ではない」。 0.69
They, therefore, recommend reporting various key figures, and they also provide a tool, experiment-impact-tr acker for reporting this information automatically. そのため、さまざまなキーフィギュアをレポートすることを推奨し、また、この情報を自動でレポートするためのツール、実験・インパクトトラッカーも提供する。 0.54
3.1 Climate Performance Reporting The Greenhouse Gas Protocol9 is a widely used reporting framework for corporates. 3.1 温室効果ガスプロトコル9は、企業にとって広く使われている報告フレームワークである。 0.66
However, this standard does not foresee, so far, an explicit ICT (information and communications technology) component. しかしながら、この標準は今のところ、明示的なICT(情報通信技術)コンポーネントを予見していない。 0.74
We build on the general principles of the GHG Protocol (relevance, completeness, consistency, transparency, and accuracy) to propose principles for improving climate-related performance reporting of AI. ghgプロトコル(関連性、完全性、一貫性、透明性、正確性)の一般的な原則に基づいて、aiの気候関連パフォーマンスレポートを改善するための原則を提案します。 0.65
While the Greenhouse Gas Protocol focuses on GHG emissions, we propose a more general framework corresponding to the different concepts of efficiency. 温室効果ガスプロトコルは温室効果ガスの排出に重点を置いているが,効率の異なる概念に対応する,より一般的な枠組みを提案する。 0.63
We, therefore, replace the term GHG emissions with the term climate-related performance assessments.10 したがって、GHG排出量という用語を気候関連性能評価という用語に置き換える。 0.68
Relevance Ensure the climate-related performance assessment appropriately reflects the 気候関連パフォーマンスアセスメントが適切に反映されていることの妥当性 0.63
9https://ghgprotocol .org/ 10While the primary focus is about eventual GHG emissions in our case as well, by addressing climate-related performance, we shift the focus from their direct measurement to a more holistic viewpoint. 9https://ghgprotocol .org/ 10 私たちのケースでは、最終的なghg排出にも焦点を当てていますが、気候に関連したパフォーマンスに対処することで、焦点を直接測定からより全体論的視点にシフトさせます。
訳抜け防止モード: 9https://ghgprotocol .org/ 10では、最終的にGHG排出量にも焦点が当てられている。 気候変動に関連するパフォーマンスに対処することで 彼らの直接測定から より総合的な視点に焦点を移します
0.66
climate-related performance of training, evaluation and deployment, and serves the decisionmaking needs of users—both internal and external to the research group. トレーニング、評価、デプロイメントの気候に関するパフォーマンスは、調査グループの内部および外部の両方において、ユーザの意思決定ニーズに役立ちます。 0.66
Consider both factors inherent to the model (e g , number of parameters) and model-external factors (e g , energy mix). モデル(例えば、パラメータの数)とモデル外因子(例えば、エネルギー混合)に固有の2つの因子を考える。 0.78
Completeness Account for and report on all relevant climate-related performance assessment items, using standardized model cards (see §4) to ensure accessibility to relevant information. 気候に関するすべてのパフォーマンス評価項目の完全性会計と報告は、関連する情報へのアクセシビリティを確保するために標準化されたモデルカードを使用して行われる。 0.58
Disclose and justify any specific exclusions or missing information, and explain which data input would be required to provide it. 特定の除外や欠落した情報を開示し、正当化し、それを提供するのに必要なデータ入力を説明する。 0.62
State how you will deal with the missing information in the future to reduce information gaps. 情報ギャップを減らすために、将来行方不明の情報をどう扱うかを記述する。 0.71
Consistency Use consistent methodologies to make meaningful comparisons of reported emissions over time. 一貫性は、経時的に報告された排出量を有意義に比較するために一貫した方法論を使用する。 0.36
Transparently document any changes to the data, inventory boundary, methods, or other relevant factors in the time series. データ、在庫境界、メソッド、その他の時系列上の関連する要素の変更を透過的に文書化する。 0.68
Use readily-available emission calculation tools to ease comparison with other models. 他のモデルとの比較を容易にするために、容易に利用できる発光計算ツールを使用する。 0.49
If you decide not to use available tools, explain why you deviate from available tools and report your assumptions about the energy mix, the conversion factors, and further assumptions required to calculate model-related emissions. 利用可能なツールを使わないと決めた場合、利用可能なツールから逸脱した理由を説明し、エネルギーの混合、変換要因、そしてモデル関連の排出を計算するのに必要な仮定について仮定を報告します。 0.66
Transparency Address all relevant issues factually and coherently to allow reproducible measurement of climate-related performance by independent researchers. 透明性への対処 独立研究者による再現可能な気候関連性能測定を可能にするために、すべての関連する問題を事実かつ一貫性を持って解決する。
訳抜け防止モード: 透明性に関するすべての問題の事実と一貫性 気候の再現可能な測定を可能にする。
0.54
Disclose any relevant assumptions and refer to the accounting and calculation methodologies and data sources used. 関連する仮定を開示し、使用する会計計算方法論およびデータソースを参照すること。 0.74
Accuracy of reporting Achieve sufficient accuracy of the quantification of climate-related performance to enable users to make decisions with reasonable assurance as to the integrity of the reported information. 気象関連性能の定量化を十分な精度で達成し、利用者が報告された情報の完全性について合理的な保証で決定を下せるようにする。
訳抜け防止モード: 気候関連性能の定量化の十分な精度の報告精度 報告された情報の完全性に関して、ユーザが合理的な保証で決定できるようにする。
0.77
Ensure that you report on the climate-related performance, even if you are in doubt about the accuracy. たとえ正確性に疑念を抱いたとしても、気候に関するパフォーマンスについて報告すること。 0.70
If in doubt, state the level of confidence. 疑わしいならば、自信のレベルを述べてください。 0.70
3.2 Actions Towards Improvement Reporting climate-related performance is not a goal on its own. 3.2 改善に向けた行動 気候変動に関する業績報告は、それ自体が目標ではない。 0.67
Instead, it should be a means to raise その代わり 資金調達の手段となるべきです 0.57
英語(論文から抽出)日本語訳スコア
awareness and translate it into actionable climaterelated performance improvements when training and deploying a model. トレーニングやモデルのデプロイにおいて、それを行動可能な気候関連のパフォーマンス改善に変換します。 0.59
In addition, climate-aware model performance evaluations should ensure that downstream users of the technology can use the model in a climate-constrained future. さらに、気候に配慮したモデルの性能評価は、この技術の下流のユーザーが気候に制約のある未来にモデルを使用できることを保証する必要がある。 0.64
Researchers should aim for climate-resilient NLP and algorithms to unlock long-term positive impacts. 研究者は、気候に耐性のあるNLPとアルゴリズムによって長期的なポジティブな影響を解き放つことを目指している。 0.44
How to future-proof AI and NLP models should become an essential consideration in setting up any project. 将来的なAIとNLPモデルは、どんなプロジェクトもセットアップする上で重要な考慮事項となるはずだ。 0.63
The overall process of integrating these considerations would use enhanced transparency to unlock actionable awareness. これらの考慮事項を統合する全体的なプロセスは、透明性を高め、行動可能な認識を解き放つ。 0.57
Reporting on climate-related model performance should put researchers in a position to reflect on their setup and take immediate action when training the next model. 気候に関するモデル性能の報告は、研究者が設定を反映し、次のモデルを訓練する際に直ちに行動を起こす立場に立つべきである。
訳抜け防止モード: 気候に関する報告-関係モデルの性能は研究者にその設定を反映させる 次のモデルを訓練する時 すぐに行動を起こす
0.82
To support this reflection for the researchers, the following proposes our climate performance model card. このリフレクションを研究者に支援するために、下記の気候モデルカードを提案する。 0.75
4 Climate Performance Model Cards 4つの気候モデルカード 0.82
Since 2020, NeurIPS requires all research papers to submit broader impact statements (Castelvecchi et al , 2021; Gibney, 2020). 2020年以降、NeurIPSはより広範なインパクトステートメントを提出するためにすべての研究論文を要求する(Castelvecchi et al , 2021; Gibney, 2020)。 0.73
NLP conferences followed suit and introduced optional ethical and impact statements, starting with ACL in 2021.11 Leins et al (2020) discuss what an ethics assessment for ACL should look like but focus solely on political and societal issues. NLP会議は、2021.11 Leins et al (2020) の ACL から始まり、ACL の倫理的評価がどう見えるべきかを議論するが、政治的・社会的問題のみに焦点を当てる。 0.71
Tucker et al (2020) analyze the implications of improved data efficiency in AI but only discuss the societal aspect of access in research and industry, leaving environmental issues unexplored. Tucker et al (2020)は、AIにおけるデータ効率の改善の意味を分析するが、研究と産業におけるアクセスの社会的側面についてのみ論じ、環境問題は未解明のままである。
訳抜け防止モード: Tuckerら(2020)は、AIにおけるデータ効率の改善の意味を分析する 研究と産業へのアクセスの社会的側面についてのみ論じます 環境問題も未解決のままです
0.73
Mitchell et al (2019) introduced model cards to increase transparency about data use in AI, similarly due to societal issues. mitchellら(2019)は、aiにおけるデータ利用に関する透明性を高めるためにモデルカードを導入した。
訳抜け防止モード: Mitchell et al (2019 ) がモデルカードを導入 AIにおけるデータ利用に関する透明性を高めるためです 同様に社会問題によるものです
0.77
We propose extending impact statements and model cards to include information about the climate-related performance of the development and training of the model, improvements compared to alternative solutions, measures undertaken to mitigate negative impact, and importantly, about the expected climate-related performance of reusing the model for research and deployment. 本稿では, モデルの開発・訓練の気候関連性能, 代替ソリューションに対する改善, ネガティブな影響を軽減するための対策, そして, 研究・展開のためのモデルの再使用による気候関連性能に関する情報を含むよう, インパクトステートメントとモデルカードの拡張を提案する。 0.86
Our proposed model card also includes any positive impact on the environment. 提案するモデルカードは,環境に対するポジティブな影響も含んでいる。 0.73
A large direct negative impact does not rule out net positive impact due to contribution to downstream environmental efforts. 大きな直接的負の影響は、下流環境への貢献による純正の影響を排除しない。 0.78
While net impact cannot be measured objectively, since it depends on priorities and 純影響は客観的に測定することはできないが、優先順位や優先順位に依存するためである。 0.49
11See, e g , the ACL Rolling Review Responsible NLP Research checklist: https://aclrollingre view.o rg/responsibleNLPres earch/. 11See, e g, the ACL Rolling Review Responsible NLP Research checklist: https://aclrollingre view.o rg/responsibleNLPres earch/. 0.42
Minimum card Information 1. Is the resulting model publicly available? 最低カード 情報 1.結果モデルが一般公開されているか。 0.73
2. How much time does the training of the final model take? 2. 最終モデルのトレーニングに要する時間はどのくらいか? 0.79
3. How much time did all experiments take (incl. hyperparameter search)? 3.実験に要した時間(ハイパーパラメーターサーチを含む)は? 0.67
4. (GPU/CPU)? 4.(GPU/CPU)? 0.46
5. At which geo location were the computations performed? 5.どの位置で計算を行ったか。 0.69
the energy consumption What was エネルギー消費は 何? 0.51
Extended card 6. What was the energy mix at the geo location? 拡張カード 6. 地理的位置でのエネルギー混合とは何か。 0.79
7. How much CO2eq was emitted to train the final model? 7. 最終モデルのトレーニングにCO2eqをどの程度使用したか? 0.71
8. How much CO2eq was emitted for all experiments? 8. すべての実験でどれだけのCO2eqが放出されたか。 0.61
9. What is the average CO2eq emission for the inference of one sample? 9. 1つのサンプルを推定するための平均co2eq排出量は? 0.78
10. Which positive environmental impact can be expected from this work? 10. この作業からどのような環境影響が期待できるのか。 0.82
11. Comments Unit Yes/No Time 11.コメント ユニットyes/no time 0.72
Time Watt Location 時間 ワット 所在地 0.43
gCO2eq/ kWh kg gco2eq/kwhkg 0.57
kg kg Notes Notes kg kg 備考 備考 0.61
Table 1: Proposed climate performance model card. 表1:気候モデルカードの提案。 0.68
projections on the future use of the technology, we can set a framework for discussing this complex issue, providing researchers with the best practices to inform future researchers and practitioners. この技術の将来利用に関する予測では、この複雑な問題を議論するためのフレームワークを設定でき、研究者に将来の研究者や実践者に知らせるためのベストプラクティスを提供します。 0.72
Table 1 shows our proposed sustainability model card, structured into a minimum card and an extended card. 表1は,提案するサステナビリティモデルカードを示し,最小カードと拡張カードに構成する。 0.79
The minimum card contains very basic information about the distribution of the model, its purpose for the community, and roughly the computational work that has been put into the optimization of the models. 最小限のカードには、モデルの分布、コミュニティの目的、およびモデルの最適化に費やされたおおよその計算作業に関する非常に基本的な情報が含まれている。 0.80
The extended card then includes the energy mix to compute the CO2eq emissions. 拡張カードはCO2eq排出量を計算するためのエネルギー混合を含む。 0.73
In total, our sustainability model card contains eleven elements: 私たちのサステナビリティモデルカードには11の要素が含まれています。 0.49
1. Publicly available artefacts. In recent years, NLP researchers often make their final model available for the public. 1.一般公開品 近年、NLP研究者はしばしば最終モデルを一般向けに公開している。 0.60
This trend came up to increase transparency and reprehensibility, yet, at the same time, it avoids the necessity to train frequently used models multiple times across the community (Wolf et al , 2020). この傾向は透明性と理解度を高めるために生まれたが、同時に、コミュニティ全体で頻繁に使用されるモデルをトレーニングする必要性を回避している(Wolf et al , 2020)。 0.76
Thus, by publishing model (weights), computational resources and thereby CO2eq emissions can be reduced. これにより、モデル(重み付け)の公開により、計算資源とco2eq排出量を低減できる。 0.68
2. Duration—training of final model. 2. 期間 - 最終モデルの訓練。 0.72
This field denotes the time it took to train the final model (in minutes/hours/days/w eeks). このフィールドは最終モデルの訓練に要する時間(数分/時間/日/週)を表す。 0.74
In 0.43
英語(論文から抽出)日本語訳スコア
case, there are multiple final models, this field asks for the training time of the model which has been trained the longest. この場合、複数のファイナルモデルがあり、このフィールドは、最も長いトレーニングを受けたモデルのトレーニング時間を求めます。 0.70
3. Duration of all computations. 3.全ての計算の継続 0.70
The duration of all computations required to produce the results of the research project is strongly correlated with the CO2eq emissions. 研究プロジェクトの結果を生成するために必要な計算時間はすべて、CO2eq排出量と強く相関している。 0.77
Thus, we want to motivate NLP researchers to vary model types and hyperparameters reasonably. したがって、我々はNLP研究者にモデルタイプとハイパーパラメータを合理的に変化させることを動機付けたい。 0.53
While determining the beginning of a project and deciding what counts as an experiment are in many cases difficult and subjective, we claim that an estimate of this quantity, along with a transparent confidence margin, is better than leaving it unreported. プロジェクトの開始を判断し、実験として数えられるものを決定することは、多くの場合困難で主観的であるが、この量の見積もりは、透明性のある信頼率とともに、報告されていないままにしておくよりも優れていると我々は主張する。
訳抜け防止モード: プロジェクトの開始を決定し、実験として数えられるものを決定する 多くの場合 困難で主観的で この量の見積もりと 透明な信頼率は 報告されていないままにしておくより 優れている
0.81
4. Energy consumption. Besides the duration of training, power consumption is the driving factor for CO2eq emissions. 4.エネルギー消費 訓練期間の他に、CO2eq排出の原動力は電力消費である。 0.65
Depending on the implementation, the majority of energy can be consumed by CPUs or GPUs. 実装によっては、ほとんどのエネルギーはCPUやGPUによって消費される。 0.79
We ask researchers to report the energy consumption in watts for the main hardware being used to optimize the model. 我々は、モデル最適化に使用されるメインハードウェアのワットのエネルギー消費量を報告するよう研究者に依頼する。 0.77
For the sake of simplicity, we ask to specify the peak energy consumption of the hardware, for which the sum of the thermal design power (TDP) of the individual hardware components is a reasonable proxy. 単純さのため,各ハードウェア部品の熱設計電力(TDP)の総和が妥当な代用となるハードウェアのピークエネルギー消費を指定する。
訳抜け防止モード: シンプルさのために、ハードウェアのピークエネルギー消費量を指定するように要求します。 個々のハードウェアコンポーネントのサーマルデザインパワー(tdp)の合計は合理的なプロキシである。
0.71
The manufacturers provide this information e g on their website.12 メーカーは、この情報をウェブサイト.12で提供している。 0.64
We want to underline again, that this model card’s objective is not to have the most precise information but rather to have a rough estimate about the energy consumption. このモデルカードの目標は、最も正確な情報を持っているのではなく、エネルギー消費量を大まかに見積もることにある。 0.55
5. Geographical location. The energy mix (the CO2eq emissions per watt consumed) depends on the geographical location. 5.地理的な位置。 エネルギー混合(ワット当たりのCO2eq排出量)は地理的な位置に依存する。 0.77
Thus, it is important to report where the model was trained. したがって、モデルがトレーニングされた場所を報告することが重要です。 0.69
6. Energy mix at geographical location. 6. 地理的位置におけるエネルギー混合 0.88
To compute the exact CO2eq emissions, the energy mix at the geographical location is required. 正確なCO2eq排出量を計算するには、地理的位置でのエネルギー混合が必要である。 0.67
Organizations such as the International Energy Agency (IEA)13 report these numbers. 国際エネルギー機関 (IEA) 13 などの機関がこれらの数字を報告している。 0.68
12See, for instance, https://www.nvidia.c om/e n-us/data-center/a10 0/#specifications or https://ark.intel.co m/content/www/us/en/ ark.html. 例えば、https://www.nvidia.c om/e n-us/data-center/a10 0/# specifications or https://ark.intel.co m/content/www/us/en/ ark.html。 0.20
Alternatively, users can run nvidia-smi on the command line if using an NVIDIA GPU. NVIDIA GPUを使用する場合は、コマンドラインでnvidia-smiを実行することもできる。 0.80
13See https://www.iea.org/ countries. 13 see https://www.iea.org/ countries.com/を参照。 0.30
7. CO2eq emissions of the final model. 7.最終モデルのCO2eq排出量 0.78
This field describes an estimation for the emitted CO2eq. このフィールドは、放出されたCO2eqの推定を記述する。 0.60
Given the time for the computation (see item 3), the energy consumption and the energy mix, the total CO2eq emissions for the research can be calculated by 計算時間(第3項目参照)、エネルギー消費量、エネルギー混合により、研究のためのco2eq総排出量を計算できる。 0.69
ComputationTime (hours) × EnergyConsumption (kW) × EnergyMix (gCO2eq/kWh) = gCO2eq. 計算時間 × EnergyConsumption (kW) × EnergyMix (gCO2eq/kWh) = gCO2eq。 0.93
Although awareness of the factors that affect CO2eq emissions is important, we recommend using automated tools for the actual calculation (see §4.1). CO2eq排出量に影響を与える要因の認識は重要であるが、実際の計算に自動ツールを使うことを推奨する(4.1参照)。 0.68
8. Total CO2eq emissions. 8. 総CO2eq排出量 0.74
Similar to the previous item, this field describes the total CO2eq emitted during the training of all models. 前項目と同様に、この分野は全てのモデルのトレーニング中に放出されるco2eqの総量を記述する。 0.63
The calculation is equivalent to item 8. 計算は第8号と等価である。 0.75
9. CO2eq emissions for inference. 9.CO2eq排出量の推計 0.70
Given that a model might be deployed in the future, the expected CO2eq emissions in use of the model can be of value. 将来モデルがデプロイされる可能性があることを考慮すれば、モデルを使用するCO2eq排出量は価値が期待できる。 0.77
To assure comparison between models, we ask the authors to report the average CO2eq emission for the inference of one sample. モデルの比較を保証するため,著者らは,1つのサンプルの推測値の平均CO2eq排出量を報告する。 0.76
For a dataset of n samples, it can be calculated by n 個のサンプルのデータセットの場合、それを計算できる。 0.77
1/n × InferenceTime (hours) × EnergyConsumption (kW) × EnergyMix(gCO2eq/kWh ) = gCO2eq. 1/n × 推論時間(時間) × エネルギー消費(kw) × エネルギー混合(gco2eq/kwh) = gco2eq。 0.65
10. Positive environmental impact. 10. ポジティブな環境影響 0.74
NLP technologies begin to mature to the point where they could have an even broader impact and support to address major problems such as climate change. NLP技術は、気候変動のような主要な問題に対処するための、より広範な影響と支援をもたらすまで成熟し始めています。
訳抜け防止モード: NLP技術は成熟し始める 気候変動のような大きな問題に 対処する上で より広範な影響と支援を 与えるかもしれません
0.83
In this field, authors can state the expected positive impact resulting from their research. この分野では、著者は彼らの研究による期待されたポジティブな影響を述べることができる。 0.60
In case that the underlying work is not likely to have a direct positive impact, authors can also categorize their work into “fundamental theories”, “building block tools”, “applicable tools”, or “deployed applications” (Jin et al , 2021), and discuss why their work could set the basis for future work with a positive environmental impact. 基礎となる作業が直接的なポジティブな影響を受けない場合、著者は、自分たちの作業を“基礎理論”、”ブロックツールの構築”、”適用可能なツール”、あるいは“デプロイされたアプリケーション”(Jin et al , 2021)に分類して、彼らの作業が将来の作業の基盤をポジティブな環境影響で設定できる理由について議論することができる。 0.73
11. Comments. The objective of this climate performance model card is to collect the most 11. コメント。 この気候性能モデルカードの目的は、最も多くを集めることである 0.78
英語(論文から抽出)日本語訳スコア
relevant information about the computational resources, energy consumed, and CO2eq emitted that were the result of the conducted research. 計算資源、消費エネルギー、CO2eqに関する関連する情報は、実施された研究の結果である。 0.76
Comments can include information about whether a number is likely over- or underestimated. コメントには、数字が過大評価されているか過小評価されているかの情報が含まれる。 0.39
In addition, this field can be used to provide the reader with indications of possible improvements in terms of energy consumption and CO2eq emissions. さらに、この分野は、エネルギー消費とCO2eq排出量の面での改善の可能性を示す指標として利用することができる。 0.67
4.1 Automating Reporting Several tools automate measurement and reporting of energy usage and emissions in ML. 4.1 MLにおけるエネルギー利用と排出の計測と報告を自動化するいくつかのツールの自動化 0.66
Lacoste et al (2019) introduced a simple online calculator14 to estimate the amount of carbon emissions produced by training ML models. La Coste et al (2019)は、MLモデルのトレーニングによって生成される二酸化炭素排出量を推定する簡単なオンライン電卓14を導入した。
訳抜け防止モード: lacosteら(2019年)がシンプルなオンライン計算システムを導入 mlモデルの訓練により発生する炭素排出量を推定する。
0.74
It can estimate the carbon footprint of GPU compute by manually specifying hardware type, hours used, cloud provider, and region. ハードウェアタイプ、使用時間、クラウドプロバイダ、リージョンを手作業で指定することで、GPUコンピューティングのカーボンフットプリントを見積もることができる。 0.62
Henderson et al (2020) presented a Python package15 for consistent, easy, and more accurate reporting of energy, compute, and carbon impacts of ML systems by estimating them and generating standardized “Carbon Impact Statements.” henderson et al (2020) は、mlシステムのエネルギー、計算、および炭素への影響を、一貫性があり、簡単で、より正確に報告するためのpythonパッケージ15を発表した。 0.58
Anthony et al (2020) proposed a Python package16 that also has predictive capabilities, and allows proactive and intervention-driven reduction of carbon emissions. anthony et al (2020) は予測能力を持ち、炭素排出量の積極的なおよび介入による削減を可能にする python パッケージ16 を提案した。 0.67
Model training can be stopped, at the user’s discretion, if the predicted environmental cost is exceeded. モデルトレーニングは、予測された環境コストが超過した場合、ユーザの判断で停止することができる。 0.81
Schmidt et al (2022) actively maintain a Python package17 that, besides estimating impact and generating reports, shows developers how they can lessen emissions by optimizing their code or by using cloud infrastructure in geographical regions with renewable energy sources. Schmidt氏(2022年)は、Pythonパッケージ17を積極的にメンテナンスしており、影響の見積とレポートの生成に加えて、コードを最適化したり、再生可能エネルギー源のある地理的領域のクラウドインフラストラクチャを使用することで、排出を減らす方法を示している。 0.59
We encourage the use of automated tools to facilitate reporting, but we claim they are not a substitute for awareness by all actors involved. レポート作成を容易にするために自動ツールの使用を推奨していますが、関係するすべてのアクタによる認識に代わるものではないと言っています。
訳抜け防止モード: 報告を容易にする自動化ツールの使用を奨励します。 しかし 関係するすべての俳優の 意識の代わりにはならない
0.66
5 Discussion AI and NLP research are behind in incorporating sustainability discourse in the discussion. 5 討論 AIとNLPの研究は、サステナビリティに関する議論を議論に取り入れている。 0.50
In the field of finance, an increasing amount of companies worldwide are soon required to state their environmental and broader sustainability-relat ed impacts and/or commitments in their annual reports, mostly following the recommendations laid out by 金融の分野では、環境及びより広範な持続可能性に関する影響やコミットメントを年次報告書に記載するために、間もなく世界中の企業が増加することが要求される。 0.72
14https://mlco2.gith ub.io/impact/ 15https://github.com /Breakend/experime 14https://mlco2.gith ub.io/impact/ 15https://github.com /Breakend/experime 0.15
nt-impact-tracker nt-impact-tracker 0.20
16https://github.com /lfwa/carbontracker 17https://codecarbon .io 16https://github.com /lfwa/carbontracker 17https://codecarbon .io 0.20
the Task Force on Climate-related Financial Disclosures (TCFD; Financial Stability Board, 2017).18 気候変動関連金融開示タスクフォース(TCFD、金融安定委員会、2017年)18 0.73
Responsibility and accountability. Of course, significant differences exist between annual reports and research papers: while companies are increasingly asked to take responsibility for their actions and are held accountable to their commitments by stakeholders, researchers can shake off responsibility by transferring it to practitioners who use the technology based on their research. 責任と説明責任。 もちろん、年次報告書と研究論文の間には大きな違いがある。企業はますます自分たちの行動に対して責任を負うように求められ、ステークホルダーのコミットメントに責任を負うようになっているが、研究者は研究に基づいて技術を使用する実践者に責任を移すことによって責任を揺さぶることができる。 0.70
Researchers are thus never held responsible for committing to reducing negative environmental impact unless they choose to submit their work to specific workshops or conference tracks on sustainable and efficient NLP. そのため、研究者は、持続的で効率的なNLPに関する特定のワークショップやカンファレンストラックに作業を提出しない限り、負の環境影響を減らす責任を負うことはない。 0.72
However, there are no best practices on what they can do to help those who are responsible for committing to sustainability—what information is necessary for accurate reporting and informed decision making? しかし、持続可能性にコミットする責任を持つ人たちを助けるために何ができるのか、正確な報告とインフォームドな意思決定にどのような情報が必要なのか、といったベストプラクティスはありません。
訳抜け防止モード: しかし、持続可能性にコミットする責任を負う人々を助けるために何ができるかというベストプラクティスはありません。 正確な報告と 意思決定に必要ですか?
0.71
Extrapolation to indirect impact. 間接的影響に対する外挿。 0.63
The quantification of indirect impact during reuse and deployment of artifacts developed in research is complex and can only be estimated. 研究で開発されたアーティファクトの再利用と展開における間接的影響の定量化は複雑であり、見積もることができる。 0.63
We, therefore, expect that this discussion in environmental impact statements will be more abstract and harder to assess. したがって、環境影響声明におけるこの議論はより抽象的で評価が難しいものと期待している。 0.74
As a framework, we propose borrowing the notion of scopes from corporate GHG accounting (Patchell, 2018). 枠組みとして、企業GHG会計からスコープの概念を借用することを提案する(Patchell, 2018)。 0.69
For our case, we suggest the following scopes: 私たちの場合、以下のスコープを提案する。 0.71
1. Scope 2: Emissions generated during experiments in writing the paper, usually electricity consumption-related, 1.スコープ2: 論文の執筆時に発生するエミッション(通常、電力消費に関するもの) 0.78
2. Scope 3: Impact on other researchers and practitioners in reducing emissions while using of the technology, and 2. スコープ3:技術利用中の排出削減における他の研究者や実践者への影響 0.89
3. Scope 3: the use of the technology for reduc- 3. スコープ3: 再教育のための技術の利用- 0.79
ing emissions or other positive impact. 排出や他のポジティブな影響です 0.71
Multi-objective optimization. Similarly, model performance should not only be assessed in terms of output. 多目的最適化。 同様に、モデルのパフォーマンスは出力の観点からのみ評価されるべきではない。 0.48
Instead, the inputs required to obtain a certain performance outcome should be equally assessed. 代わりに、特定のパフォーマンス結果を得るために必要な入力を等しく評価するべきである。 0.65
Based on this principle, we argue that future model performance evaluation should be based on model performance and climate performance (cf. Table 2). この原則に基づき、将来のモデル性能評価はモデルパフォーマンスと気候性能(cf. table 2)に基づくべきであると論じる。 0.86
This can take the form of explicitly introducing climate performance into the objective function for optimization (Puvis de Cha- これは、気候性能を最適化の目的関数に明示的に導入する形態をとることができる(Puvis de Cha-)。 0.68
18For instance, in the United Kingdom a new legislation will require firms to disclose climate-related financial information, with rules set to come into force from April 2022. 例えば、英国では2022年4月から施行される規制により、気候変動に関する金融情報開示を企業に義務付ける新たな法律が制定される。 0.73
英語(論文から抽出)日本語訳スコア
Standard Model performance (i.e., model out- 標準モデルの性能(すなわち、モデルアウト) 0.91
put accuracy) 正確さ; 正確さ; 正確さ. 0.28
Emerging Climate-related performance (i.e., CO2eq emissions generated by training, deploying and using the model) Climate-related perefficiency formance (i.e., marginal accuracy improvements relative to marginal input requirements) 気候関連パフォーマンス(トレーニング、展開、利用によって発生するco2eq排出量) 気候関連効率性フォーマンス(限界入力要求に対する限界精度の向上) 0.70
Future Table 2: Extended model performance evaluation. 未来 表2: モデルの性能評価の拡張。 0.80
vannes et al , 2021) and in benchmarking (Ma et al , 2021). vannes et al , 2021) と in benchmarking (ma et al , 2021) である。 0.82
Positive impact. NLP is relevant in several aspects to the UN sustainable development goals (Vinuesa et al , 2020; Conforti et al , 2020). ポジティブな影響。 NLPは国連の持続可能な開発目標(Vinuesa et al , 2020; Conforti et al , 2020)にいくつかの点で関係している。 0.74
Jin et al (2021) defined a framework for the social impacts of NLP, of which environmental impacts are a special case. Jin et al (2021) は NLP の社会的影響の枠組みを定義した。
訳抜け防止モード: jin et al (2021) は nlp の社会的影響の枠組みを定義した。 環境への影響は特別な場合です
0.74
They define an impact stack consisting of four stages, from (1) fundamental theory to (2) building block tools and (3) applicable tools, and finally to (4) deployed applications. 彼らは(1)基本理論から(2)ブロックツールの構築、(3)適用可能なツール、そして(4)デプロイされたアプリケーションまでの4段階からなるインパクトスタックを定義している。 0.76
Furthermore, they identify questions related to sustainable development goals for which NLP is relevant. さらに、NLPが関係する持続可能な開発目標に関する疑問も特定する。 0.63
They categorize Green NLP as relevant only to the particular goal of “mitigating problems brought by NLP,” by minimizing direct impact as part of technology development. 技術開発の一環として直接の影響を最小限に抑えることで、グリーンNLPを「NLPがもたらす問題を緩和する」という特定の目標にのみ関連するものとして分類している。 0.62
However, we claim that Green NLP must be viewed more broadly. しかし、グリーンNLPはより広い視野で見なければならない。 0.72
For example, Rolnick et al (2019) discuss how machine learning can be used to tackle climate change, listing several fields with identified potential. 例えば、rolnick et al (2019)は、気候変動に取り組むために機械学習をどのように利用できるかについて議論し、特定された可能性を持ついくつかの分野をリストアップした。
訳抜け防止モード: 例えば、rolnick et al (2019)はどのようにして 機械学習は気候変動に取り組むのに使える。 特定可能ないくつかの分野をリストアップする。
0.65
For NLP, they mention the impact on the future of cities, on crisis management, individual action (understanding personal footprints, facilitating behavior change), informing policy for collective decision-making, education, and finance. nlpでは、都市の将来、危機管理、個人行動(個人的足跡の把握、行動変化の促進)、集団意思決定、教育、金融に対する政策の通知などへの影響について言及している。
訳抜け防止モード: NLPでは、都市の将来への影響について言及している。 危機管理や個人行動 個人の足跡を理解し 行動の変化を促す ) 集団決定のための政策 - 意思決定、教育、 金融も
0.67
Stede and Patz (2021) note that the topic of climate change has received little attention in the NLP community and propose applying NLP to analyze the climate change discourse, predict its evolution and respond accordingly. Stede and Patz (2021) は、気候変動の話題はNLPコミュニティではほとんど注目されておらず、気候変動の議論を分析し、その進化を予測し、それに応じて応答するためにNLPを適用することを提案している。 0.65
The ACL workshop on NLP for Positive Impact (Field et al , 2021) is a relevant focused venue for publishing such research. acl workshop on nlp for positive impact (field et al, 2021) は、このような研究を出版するための関連施設である。 0.79
6 Impact and Limitations As pointed out by Schwartz et al (2020), a comparison between research and researchers from various locations and with various prerequisites can be difficult. 6 影響と限界 schwartz et al (2020) が指摘したように、様々な場所と様々な前提条件からの研究と研究者の比較は困難である。 0.51
Therefore, we want to point out rules of ですから ルールを指摘しておきたいのです 0.72
thumb that, in our opinion, should be followed by the authors of papers, as well as from reviewers who assess the quality thereof. 私たちの意見では、論文の著者や、その品質を評価するレビュアーがそれに従うべきだということです。 0.65
Do increase transparency. With our climate performance model card, we aim to provide guidelines that give concrete ideas on how to report energy consumption and CO2eq emissions. 透明性を高めます 気候変動モデルカードでは,エネルギー消費とCO2eq排出量の具体的な報告方法を示すガイドラインの提供を目標としている。 0.76
Our model card, on purpose, still allows for flexibility so that authors can change it to their respective setup. 私たちのモデルカードは、意図的にも柔軟性があり、作者がそれぞれの設定に変更できるようにしています。 0.61
In case of high CPU usage, the authors can simplify their energy consumption by only looking at the CPU energy consumption; in the case of the GPU, it can simply be based on the GPU. 高いCPU使用率の場合、著者らはCPUエネルギー消費だけを見て、そのエネルギー消費を単純化することができる。
訳抜け防止モード: CPU使用率が高い場合には,CPU使用量のみを考慮すれば,そのエネルギー消費を簡略化することができる。 GPUの場合、単にGPUをベースとすることができる。
0.83
Our main goal is transparency for users and increased awareness for modelers and researchers. 私たちの主な目標は、ユーザに対する透明性と、モデラーや研究者に対する認識の向上です。 0.56
Hence, transparency is to be weighted over accuracy. したがって、透明性は正確さよりも重み付けされる。 0.69
Do use the model cards to enable research institutions and practitioners to report on their climate performance and GHG emissions. モデルカードを使用して、研究機関や実践者が気候性能や温室効果ガス排出量を報告できるようにする。 0.64
An increasing number of first-moving research labs and institutes have started to account for their GHG emissions from direct energy use and flying, and intend to include their ICT emissions (e g , ETH Zurich, 2021; UZH Zurich, 2021). 直接エネルギー利用や飛行によるGHG排出量を考慮し始め、ICT排出量(ETH Zurich、2021年、UZH Zurich、2021年)を含める計画である。
訳抜け防止モード: 移動型研究所や研究所が増えている 直接のエネルギー使用と飛行からのGHG排出量を考慮に入れます。 ETH Zurich, 2021 ; UZH Zurich, 2021 など)。
0.56
However, harmonized approaches are still lacking. しかし、調和したアプローチはまだ欠けている。 0.53
Use the model cards to road-test how far they could support your institutions’ GHG and climate impact reporting. モデルカードを使って、あなたの機関のghgと気候影響レポートをどこまでサポートできるかをテストします。 0.67
Do not use this model card for assessing the research quality. このモデルカードは研究品質の評価に使用しないでください。 0.78
The value of research is often only clear months or years after publication. 研究の価値は、出版後数ヶ月または数年で明らかになることが多い。 0.63
Thus, the ratio between emitted CO2eq and contribution to the NLP community cannot be measured accurately. したがって、排出されるCO2eqとNLPコミュニティへの貢献の比率を正確に測定することはできない。 0.75
Additionally, the emitted CO2eq depends on the hardware used for the computations. さらに、出力されたCO2eqは計算に使用されるハードウェアに依存する。 0.68
Researchers working with less energy-efficient hardware would have a disadvantage if the emitted CO2eq were being used for assessing the quality. エネルギー効率の低いハードウェアで作業する研究者は、CO2eqが品質評価に使われている場合、不利になる。 0.71
However, considering the energy efficiency of model performance might indirectly reduce a Global North–South bias, given that access to computational power is not evenly distributed across the World. しかし、モデル性能のエネルギー効率を考えると、計算能力へのアクセスが世界中に均等に分散していないため、間接的にグローバルな南北バイアスを減少させることができる。 0.65
Hence, targeting energy efficiency and reducing the computational power required to train and run models might mitigate some concerns on the inequality of research opportunities. したがって、エネルギー効率を目標とし、モデルの訓練と実行に必要な計算能力を減らすことで、研究機会の不平等に対する懸念を和らげることができる。 0.64
Do not report your voluntary financial climate protection contributions as emission offsetting. 自発的な金融環境保護への貢献を排出オフセットとして報告しないでください。 0.55
While emission offsetting used to be hailed as an efficient way to reduce global greenhouse gas emissions, this notion had to be revised with updated climate science consensus, at the latest with 排出量削減は温室効果ガス排出量削減の効率的な方法とされてきたが、最近になって気候科学のコンセンサスが更新され、この概念は改定されなければならなかった。 0.61
英語(論文から抽出)日本語訳スコア
the IPCC’s Special Report on Global Warming of 1.5C from 2018 (Masson-Delmotte et al , 2018). IPCCの2018年の国際温暖化に関する特別報告書(Masson-Delmotte et al , 2018)。 0.78
Related to this aspect, do not communicate relative (efficiency-related) improvements as absolute climate-related performance improvements. これに関連して、絶対的な気候関連性能改善として相対的な(効率関連)改善を伝達しない。 0.64
Do not use this model card to assess net climaterelated impacts. このモデルカードは、気候への影響を評価するのに使用しないでください。 0.57
AI as an enabler for higher-order effects, for example, for climate-neutral economies and societies, is an important topic, which is, however, not in our scope. 例えば、気候中立経済や社会のような高次効果の有効化手段としてAIは重要なトピックであり、これは我々のスコープには当てはまらない。 0.72
Instead, our approach aims to increase transparency about every model’s first order effects, be the model designed for societal change (or any other higher-order effect) or not. その代わり、私たちのアプローチは、社会的変化(または他の高次効果)のために設計されたモデルである、すべてのモデルの第一次効果に関する透明性を高めることを目的としています。 0.59
7 Conclusion We argued that branding efficient methods in NLP as green or sustainable is insufficient and that due to the importance of the issue, climate awareness must be promoted in mainstream NLP rather than only in niche areas. 7 結論 我々は,NLPにおけるグリーンあるいはサステナブルな手法としてのブランディングが不十分であり,この問題の重要性から,ニッチな地域でのみではなく,主流のNLPにおいて気候意識を高める必要があると主張した。 0.69
We conducted a survey of climate discussion in NLP papers and found that climate-related issues are increasingly being discussed but are still uncommon. nlpの論文で気候変動に関する議論を実施し,気候問題に関する議論が増えているが,いまだに稀であることがわかった。 0.65
We proposed actionable measures to increase climate awareness based on experience from the finance domain and finally proposed a model card focusing on reporting climate performance transparently, which we encourage NLP researchers to use in any paper. 金融分野の経験に基づいて、気候認識を高めるための有効な対策を提案し、最終的に、気候パフォーマンスを透過的に報告することに焦点を当てたモデルカードを提案し、nlp研究者にあらゆる論文で使用するよう促した。
訳抜け防止モード: 有効な対策を提案しました 金融分野の経験に基づく気候意識の向上 そして最後に、気候性能を透過的に報告するモデルカードを提案しました。 あらゆる論文でnlp研究者に利用するよう促しています
0.71
While our discussion, survey, and recommendations are aimed towards the NLP community, much is applicable to other AI fields. 私たちの議論、調査、レコメンデーションはNLPコミュニティを対象としていますが、他のAI分野にも当てはまります。 0.58
Indeed, specific recommendations have been made for machine learning (Henderson et al , 2020; Patterson et al , 2022) and medical image analysis (Selvan et al , 2022), for example. 実際、機械学習(henderson et al , 2020; patterson et al , 2022)や医療画像解析(selvan et al , 2022)については、特定の推奨がなされている。 0.76
However, our focus on NLP enabled us to be more specific about relevant modeling components in our model card, as they are commonly used in NLP work. しかし、NLPに焦点をあてることで、NLPの作業で一般的に使われているモデルカードの関連するモデリングコンポーネントについて、より具体的になることができました。
訳抜け防止モード: しかし、NLPに焦点をあてることで、モデルカードの関連するモデリングコンポーネントについてより具体的になることができました。 一般的にNLP作業で使用される。
0.59
Furthermore, framing our arguments within the discourse initiated in the NLP community allowed us to address the specific points raised in this discussion so far. さらに、NLPコミュニティで開始された談話の中で議論をフレーミングすることで、これまでの議論で取り上げられた特定の点に対処することができます。
訳抜け防止モード: さらに、NLPコミュニティにおける議論の中での議論のフレーミング これまでの議論で取り上げられた 特定の点に 対処できるようにしました
0.70
References Lasse F. Wolff Anthony, Benjamin Kanding, and Raghavendra Selvan. 参照: Lasse F. Wolff Anthony、Benjamin Kanding、Raghavendra Selvan。 0.78
2020. Carbontracker: Tracking and predicting the carbon footprint of training deep learning models. 2020. carbontracker: ディープラーニングモデルのトレーニングにおけるカーボンフットプリントの追跡と予測。 0.60
ICML Workshop on Challenges in Deploying and monitoring Machine Learning Systems. icml workshop on challenges in deploy and monitoring machine learning systems (英語) 0.38
ArXiv:2007.03051. 2007.03051。 0.21
Emily M Bender, Timnit Gebru, Angelina McMillanMajor, and Shmargaret Shmitchell. Emily M Bender、Timnit Gebru、Angelina McMillanMajor、Shmargaret Shmitchell。 0.70
2021. On the dangers of stochastic parrots: Can language models be too big? 2021. 上に 確率的なオウムの危険性: 言語モデルは大きすぎるか? 0.61
In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, pages 610–623. 2021年 ACM Conference on Fairness, Accountability, and Transparency, page 610–623 に参加。 0.79
Sebastian Borgeaud, Arthur Mensch, Jordan Hoffmann, Trevor Cai, Eliza Rutherford, Katie Millican, George van den Driessche, Jean-Baptiste Lespiau, Bogdan Damoc, Aidan Clark, Diego de Las Casas, Aurelia Guy, Jacob Menick, Roman Ring, Tom Hennigan, Saffron Huang, Loren Maggiore, Chris Jones, Albin Cassirer, Andy Brock, Michela Paganini, Geoffrey Irving, Oriol Vinyals, Simon Osindero, Karen Simonyan, Jack W. Rae, Erich Elsen, and Laurent Sifre. セバスチャン・ボルゲオード、アーサー・メンシュ、ヨルダン・ホフマン、トレバー・ケイ、エリザ・ラザフォード、ケイティ・ミリカン、ジョージ・ヴァン・デン・ドリーチェ、ジャン=バティスト・レスピアウ、ボグダン・ダモック、エイダン・クラーク、ディエゴ・デ・ラス・カサス、アウレリア・ガイ、ジェイコブ・メニック、ロマン・リング、トム・ヘニガン、サフラン・ハング、ローレン・マグジオア、クリス・ジョーンズ、アルビン・キャシラー、アンディ・ブロック、ミケラ・パガニーニ、ジェフリー・アーヴィング、オリオール・ヴィニアルス、サイモン・オシンデノヤン、ジャック・W・レイ、エリヒ・エルセン、ローレン・シフレ。
訳抜け防止モード: セバスチャン・ボルゴー、アーサー・メンシュ、ジョーダン・ホフマン、トレヴァー・カイ、エリザ・ラザフォード katie millican, george van den driessche, jean - baptiste lespiau, bogdan damoc エイダン・クラーク、ディエゴ・デ・ラス・カサス、アウレリア・ガイ、ジェイコブ・メニック、ローマ・リング。 トム・ヘンニガン、サフラン・ファン、ローレン・マグジョア、クリス・ジョーンズ アルビン・カシラー、アンディ・ブロック、ミケーラ・パガニーニ、ジェフリー・アーヴィング oriol vinyals, simon osindero, karen simonyan, jack w. rae, erich elsenとlaurent sifre。
0.61
2022. Improving language models by retrieving from trillions of tokens. 2022. 数兆のトークンから検索することで言語モデルを改善する。 0.53
Matthew Brander and G Davis. マシュー・ブランダーとg・デイビス 0.59
2012. Greenhouse gases, CO2, CO2e, and carbon: What do all these terms mean. 2012. 温室効果ガス、二酸化炭素、二酸化炭素、二酸化炭素。 0.49
Econometrica, White Papers. ホワイトペーパー、ホワイトペーパー。 0.64
Davide Castelvecchi et al 2021. ダビデ・カメルヴェッチら 2021年。 0.69
Prestigious AI meeting takes steps to improve ethics of research. 事前のAIミーティングは、研究の倫理を改善するためのステップを取ります。 0.52
Nature, 589(7840):12–13. 自然数 589(7840):12-13。 0.64
Costanza Conforti, Stephanie Hirmer, Dai Morgan, Marco Basaldella, and Yau Ben Or. Costanza Conforti, Stephanie Hirmer, Dai Morgan, Marco Basaldella, Yau Ben Or 0.35
2020. Natural language processing for achieving sustainable development: the case of neural labelling to enhance community profiling. 2020. 持続可能な開発を実現するための自然言語処理: コミュニティプロファイリングを強化するニューラルラベリングの場合。 0.58
In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 8427–8444, Online. 自然言語処理における経験的手法に関する2020年会議(emnlp)の議事録では、8427-8444ページがオンラインで公開されている。
訳抜け防止モード: 自然言語処理における経験的手法に関する2020年会議(EMNLP)の開催報告 8427-8444頁。
0.69
Association for Computational Linguistics. Sebastião Vieira de Freitas Netto, Marcos Felipe Falcão Sobral, Ana Regina Bezerra Ribeiro, and Gleibson Robert da Luz Soares. 計算言語学会会員。 セバスティアン・ビエイラ・デ・フレイタス・ネット、マルコス・フェリペ・ファルカン・ソブラル、アナ・レジーナ・ベゼルラ・リベイロ、グライブソン・ロベルト・ダ・ルズ・ソアレス。
訳抜け防止モード: 計算言語学会会員。 セバスティアン・ビエイラ・デ・フレイタス・ネット、マルコス・フェリペ・ファルカン・ソブラル、アナ・レジーナ・ベゼルラ・リベイロ そしてGleibson Robert da Luz Soares。
0.53
2020. Concepts and forms of greenwashing: A systematic review. 2020. グリーンウォッシングの概念と形態:体系的なレビュー。 0.61
Environmental Sciences Europe, 32(1):1–12. 欧州環境科学会、32:1-12。 0.76
Magali A Delmas and Vanessa Cuerel Burbano. Magali A Delmas と Vanessa Cuerel Burbano の略。 0.85
2011. The drivers of greenwashing. 2011. グリーンウォッシングのドライバー。 0.48
California management review, 54(1):64–87. カリフォルニア・マネジメント・レビュー 54(1):64-87。 0.69
Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova 0.38
2019. BERT: Pre-training of deep bidirectional transformers for language underIn Proceedings of the 2019 Conference standing. 2019. BERT: 2019年開催のProceedings of the 2019 Conferenceにおいて、言語の下での双方向トランスフォーマーの事前トレーニング。 0.50
of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), pages 4171–4186, Minneapolis, Minnesota. The North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), page 4171–4186, Minneapolis, Minnesota.
訳抜け防止モード: 計算言語学会北米支部の紹介 : 人間言語技術 第1巻(長編・短編)、4171-4186頁、ミネソタ州ミネアポリス。
0.56
Association for Computational Linguistics. ETH Zurich. 計算言語学会会員。 チューリッヒ出身。 0.49
2021. ETH Zurich Sustainability Report 2021. ETH Zurich Sustainability Report 0.43
2019/2020. 2019/2020. 0.35
Technical report, ETH Zurich. ETH チューリッヒ (ETH Zurich) の略。 0.57
European Systemic Risk Board. 欧州システムリスク委員会(European Systemic Risk Board)の略。 0.39
2016. Too late, too sudden : transition to a low-carbon economy and systemic risk. 2016. あまりに遅すぎる、急すぎる:低炭素経済への移行とシステムリスク。 0.59
European Systemic Risk Board. 欧州システムリスク委員会(European Systemic Risk Board)の略。 0.39
William Fedus, Barret Zoph, and Noam Shazeer. ウィリアム・フェウス、バレット・ゾフ、ノーム・シェーザー。 0.51
2021. Switch transformers: Scaling to trillion parameter arXiv models with simple and efficient sparsity. 2021. スイッチ変換器: 単純で効率的な間隔で1兆のパラメータarXivモデルにスケールする。 0.51
preprint arXiv:2101.03961. arXiv:2101.03961 0.29
英語(論文から抽出)日本語訳スコア
Anjalie Field, Shrimai Prabhumoye, Maarten Sap, Zhijing Jin, Jieyu Zhao, and Chris Brockett, editors. Anjalie Field, Shrimai Prabhumoye, Maarten Sap, Zhijing Jin, Jieyu Zhao, Chris Brockett, 編集者。 0.38
2021. Proceedings of the 1st Workshop on NLP for Positive Impact. 2021. 第1回NLP肯定的影響ワークショップの開催報告 0.53
Association for Computational Linguistics, Online. Association for Computational Linguistics, Online (英語) 0.81
Financial Stability Board. 金融安定委員会委員。 0.56
2017. Task force on climaterelated financial disclosures. 2017. 気候変動に関する金融開示に関するタスクフォース。 0.49
Final Report: Recommendations of the Task Force on Climate-Related Financial Disclosures. 最終報告:気候に関する財務開示に関するタスクフォースの勧告。 0.73
Elizabeth Gibney. エリザベス・ギブニー 0.59
2020. The battle for ethical AI at the world’s biggest machine-learning conference. 2020. 世界最大の機械学習カンファレンスでの倫理的AIの戦い。 0.52
Nature, 577(7791):609–610. 自然数 577(7791):609-610。 0.66
Peter Henderson, Jieru Hu, Joshua Romoff, Emma Brunskill, Dan Jurafsky, and Joelle Pineau. Peter Henderson, Jieru Hu, Joshua Romoff, Emma Brunskill, Dan Jurafsky, Joelle Pineau 0.37
2020. Towards the systematic reporting of the energy and carbon footprints of machine learning. 2020. 機械学習のエネルギーと炭素フットプリントの体系的な報告に向けて。 0.62
Journal of Machine Learning Research, 21(248):1–43. Journal of Machine Learning Research, 21(248):1–43。 0.45
Keith Hyams and Tina Fawcett. キース・ハイムズとティナ・ファウセット 0.48
2013. The ethics of carbon offsetting. 2013. 炭素オフセットの倫理。 0.47
WIREs Climate Change, 4(2):91– 98. 有線気候変動、4(2):91-98。 0.72
Zhijing Jin, Geeticka Chauhan, Brian Tse, Mrinmaya Sachan, and Rada Mihalcea. Zhijing Jin, Geeticka Chauhan, Brian Tse, Mrinmaya Sachan, Rada Mihalcea 0.31
2021. How good is NLP? 2021. NLPはどのくらい良いか? 0.59
a sober look at NLP tasks through the lens In Findings of the Association of social impact. アソシエーション・オブ・ソーシャル・インパクト(association of social impact)の発見では、レンズを通してnlpタスクを見る。 0.48
for Computational Linguistics: ACL-IJCNLP 2021, pages 3099–3113, Online. For Computational Linguistics: ACL-IJCNLP 2021, page 3099–3113, Online 0.46
Association for Computational Linguistics. Robin Wall Kimmerer. 計算言語学会会員。 ロビン・ウォール・キマー 0.51
2013. Braiding sweetgrass: Indigenous wisdom, scientific knowledge and the teachings of plants. 2013. ブレイディング・スウィートグラス(braiding sweetgrass) 土着の知恵、科学的知識、植物の教え。 0.49
Milkweed Editions. Alexandre Lacoste, Alexandra Luccioni, Victor Schmidt, and Thomas Dandres. ミルクウィード版。 アレクサンドラ・ラコステ、アレクサンドラ・ルッチオーニ、ヴィクター・シュミット、トーマス・ダンドレス。 0.58
2019. Quantifying the carbon emissions of machine learning. 2019. 機械学習の二酸化炭素排出量の定量化。 0.54
Workshop on Tackling Climate Change with Machine Learning at NeurIPS 2019. NeurIPS 2019での機械学習による気候変動対策ワークショップ 0.72
François Lagunas, Ella Charlaix, Victor Sanh, and Alexander M Rush. フランソワ・ラグナス、エラ・チャーリー、ヴィクター・サン、アレクサンドル・M・ラッシュ。 0.52
2021. Block pruning for faster In Proceedings of the 2021 Confertransformers. 2021. 高速なブロックプルーニング 2021年のConfer Transformersの成果。 0.53
ence on Empirical Methods in Natural Language Processing, pages 10619–10629. 自然言語処理における経験的手法について、10619-10629頁。 0.59
Kobi Leins, Jey Han Lau, and Timothy Baldwin. コビ・レインズ、ジェイ・ハン・ラウ、ティモシー・ボールドウィン。 0.35
2020. Give me convenience and give her death: Who should decide what uses of NLP are appropriate, and on what basis? 2020. 便利さを与え、彼女に死を与えてください。NLPのどの使用が適切か、どのベースで決めるべきですか? 0.58
In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pages 2908–2913, Online. 第58回計算言語学会年次総会の議事録2908-2913ページオンライン。 0.59
Association for Computational Linguistics. Kadan Lottick, Silvia Susai, Sorelle A. Friedler, and Jonathan P. Wilson. 計算言語学会会員。 Kadan Lottick、Silvia Susai、Sorelle A. Friedler、Jonathan P. Wilson。 0.46
2019. Energy usage reports: Environmental awareness as part of algorithmic accountability. 2019. エネルギー利用報告: アルゴリズム的説明責任の一部としての環境意識。 0.57
Workshop on Tackling Climate Change with Machine Learning at NeurIPS 2019. NeurIPS 2019での機械学習による気候変動対策ワークショップ 0.72
An evaluation-as-a-serv ice platform for holistic nextIn Advances in Neural generation benchmarking. 総合的次世代のための評価・アズ・ア・サービスプラットフォーム ニューラルジェネレーションベンチマークの進歩 0.60
Information Processing Systems, volume 34, pages 10351–10367. 情報処理システム、34頁、10351-10367頁。 0.76
Curran Associates, Inc. Curran Associates, Inc. 0.42
Valérie Masson-Delmotte, Panmao Zhai, Hans-Otto Pörtner, Debra Roberts, Jim Skea, Priyadarshi R Shukla, Anna Pirani, W Moufouma-Okia, C Péan, R Pidcock, et al 2018. Valérie Masson-Delmotte, Panmao Zhai, Hans-Otto Pörtner, Debra Roberts, Jim Skea, Priyadarshi R Shukla, Anna Pirani, W Moufouma-Okia, C Péan, R Pidcock, et al 2018
訳抜け防止モード: valérie masson - delmotte, panmao zhai, hans - オットー・フェルトナー デブラ・ロバーツ、ジム・スキア、プリヤダルシ・ル・シュクラ、アンナ・ピラニ w moufouma - okia, c péan, r pidcock, et al 2018を参照。
0.66
Global warming of 1.5 c. An IPCC Special Report on the impacts of global warming of, 1(5). 温暖化は1.5c。 地球温暖化の影響に関するIPCC特別報告 1(5) 0.64
Margaret Mitchell, Simone Wu, Andrew Zaldivar, Parker Barnes, Lucy Vasserman, Ben Hutchinson, Elena Spitzer, Inioluwa Deborah Raji, and Timnit Gebru. Margaret Mitchell, Simone Wu, Andrew Zaldivar, Parker Barnes, Lucy Vasserman, Ben Hutchinson, Elena Spitzer, Inioluwa Deborah Raji, Timnit Gebru
訳抜け防止モード: マーガレット・ミッチェル、シモーヌ・ウー、アンドリュー・ザーディヴァール、パーカー・バーンズ。 Lucy Vasserman, Ben Hutchinson, Elena Spitzer, Inioluwa Deborah Raji そしてTimnit Gebru。
0.71
2019. Model cards for model reporting. 2019. モデルレポート用のモデルカード。 0.63
In Proceedings of the Conference on Fairness, Accountability, and Transparency, FAT* ’19, page 220–229, New York, NY, USA. 公正、説明責任、透明性に関する会議の議事録では、fat* ’19, page 220-229, new york, ny, usa. と書かれている。
訳抜け防止モード: 公正・説明責任・透明性に関する会議」の開催にあたって FAT * ’ 19 page 220–229, New York, NY,USA.
0.84
Association for Computing Machinery. アソシエーション・フォー・コンピューティング・マシンズ(Association for Computing Machinery)の略。 0.36
Jerry Patchell. 2018. ジェリー・パッチル 2018. 0.48
Can the implications of the ghg protocol’s scope 3 standard be realized? ghgプロトコルのスコープ3の標準は、どのような意味を持つのか? 0.68
Journal of Cleaner Production, 185:941–958. 雑誌『journal of cleaner production』、185:941-958頁。 0.41
David Patterson, デイヴィッド・パターソン。 0.58
Joseph Gonzalez, Urs Hölzle, Quoc Hung Le, Chen Liang, Lluis-Miquel Munguia, Daniel Rothchild, David So, Maud Texier, and Jeffrey Dean. Joseph Gonzalez, Urs Hölzle, Quoc Hung Le, Chen Liang, Lluis-Miquel Munguia, Daniel Rothchild, David So, Maud Texier, Jeffrey Dean
訳抜け防止モード: Joseph Gonzalez, Urs Hölzle, Quoc Hung Le, Chen Liang Lluis - Miquel Munguia, Daniel Rothchild, David So, Maud Texier ジェフリー・ディーン(Jeffrey Dean)。
0.87
2022. The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink. 2022. 機械学習トレーニングのカーボンフットプリントは、高まり、縮小する。 0.52
Lucas Høyberg Puvis de Chavannes, Mads Guldborg Kjeldgaard Kongsbak, Timmie Rantzau, and Leon Derczynski. ルーカス・høyberg puvis de chavannes、mads guldborg kjeldgaard kongsbak、timmie rantzau、leon derczynski。 0.58
2021. Hyperparameter power impact in transformer language model training. 2021. トランスフォーマー言語モデルトレーニングにおけるハイパーパラメータパワーへの影響 0.59
In Proceedings of the Second Workshop on Simple and Efficient Natural Language Processing, pages 96–118, Virtual. 第2回自然言語処理に関するワークショップでは、96-118ページが仮想的であった。
訳抜け防止モード: シンプルで効率的な自然言語処理に関する第2回ワークショップの開催報告 96-118頁。
0.71
Association for Computational Linguistics. David Rolnick, Priya L. Donti, Lynn H. Kaack, Kelly Kochanski, Alexandre Lacoste, Kris Sankaran, Andrew Slavin Ross, Nikola Milojevic-Dupont, Natasha Jaques, Anna Waldman-Brown, Alexandra Luccioni, Tegan Maharaj, Evan D. Sherwin, S. Karthik Mukkavilli, Konrad P. Kording, Carla Gomes, Andrew Y. Ng, Demis Hassabis, John C. Platt, Felix Creutzig, Jennifer Chayes, and Yoshua Bengio. 計算言語学会会員。 David Rolnick, Priya L. Donti, Lynn H. Kaack, Kelly Kochanski, Alexandre La Coste, Kris Sankaran, Andrew Slavin Ross, Nikola Milojevic-Dupont, Natasha Jaques, Anna Waldman-Brown, Alexandra Luccioni, Tegan Maharaj, Evan D. Sherwin, S. Karthik Mukkavilli, Konrad P. Kording, Carla Gomes, Andrew Y. Ng, Demis Hassabis, John C. Platt, Felix Creutzig, Jennifer Chayes, Yoshua Bengio
訳抜け防止モード: 計算言語学会会員。 david rolnick, priya l. donti, lynn h. kaack, kelly kochanski アレクサンドル・ラコステ(alexandre lacoste)、クリス・サンカラン(kris sankaran)、アンドリュー・スラヴィン・ロス(andrew slavin ross)、ニコラ・ミロイェヴィッチ(nikola milojevic)、デュポン(dupont)。 natasha jaques, anna waldman - brown, alexandra luccioni, tegan maharaj, evan d. sherwin, s. karthik mukkavilli, konrad p. kording, carla gomes, andrew y. ng, demis hassabis氏、john c. platt氏、felix creutzig氏、jennifer chayes氏。 そしてヨシュア・ベンジオ
0.55
2019. Tackling climate change with machine learning. 2019. 機械学習で気候変動に取り組む。 0.59
Victor Schmidt, Goyal-Kamal, Benoit Courty, Boris Feld, SabAmine, Franklin Zhao, Aditya Joshi, Sasha Luccioni, Mathilde Léval, Alexis Bogroff, Niko Laskaris, LiamConnell, Ziyao Wang, Armin Catovic, Douglas Blank, Michał St˛echły, alencon, Amine Saboni, JPW, MinervaBooks, Hugues de Lavoreille, Connor McCarthy, Jake Tae, Sébastien Tourbier, and kraktus. Victor Schmidt, Goyal-Kamal, Benoit Courty, Boris Feld, Sabamine, Franklin Zhao, Aditya Joshi, Sasha Luccioni, Mathilde Léval, Alexis Bogroff, Niko Laskaris, LiamConnell, Ziyao Wang, Armin Catovic, Douglas Blank, Michał St sechły, alencon, Amine Saboni, JPW, MinervaBooks, Hugues de Lavoreille, Connor McCarthy, Jake Tae, Sébastien Tourbier, kraktus
訳抜け防止モード: Victor Schmidt, Goyal - Kamal, Benoit Courty, Boris Feld Sabamine, Franklin Zhao, Aditya Joshi, Sasha Luccioni, Mathilde Léval, Alexis Bogroff, Niko Laskaris LiamConnell, Ziyao Wang, Armin Catovic, Douglas Blank, Michał St sechły alencon, Amine Saboni, JPW, MinervaBooks, Hugues de Lavoreille コナー・マッカーシー、ジェイク・テー、セバスチャン・トゥルビエ、クラクタス。
0.79
2022. mlco2/codecarbon: v2.0.0a3. 2022. mlco2/codecarbon: v2.0.0a3。 0.31
Zhiyi Ma, Kawin Ethayarajh, Tristan Thrush, Somya Jain, Ledell Wu, Robin Jia, Christopher Potts, Adina Williams, and Douwe Kiela. Zhiyi Ma, Kawin Ethayarajh, Tristan Thrush, Somya Jain, Ledell Wu, Robin Jia, Christopher Potts, Adina Williams, Douwe Kiela。
訳抜け防止モード: Zhiyi Ma, Kawin Ethayarajh, Tristan Thrush, Somya Jain レデル・ウー、ロビン・ジー、クリストファー・ポッツ、アディナ・ウィリアムズ。 とDouwe Kiela。
0.79
2021. Dynaboard: 2021. dynaboard (複数形 dynaboards) 0.33
Roy Schwartz, Jesse Dodge, Noah A. Smith, and Oren Etzioni. ロイ・シュワルツ、ジェシー・ドッジ、ノア・A・スミス、オレン・エツィオニ。 0.54
2020. Green AI. 2020. グリーンAI。 0.53
Communications of the ACM (CACM), 63(12):54–63. acm (cacm) の通信 63(12)(54-63)。 0.72
英語(論文から抽出)日本語訳スコア
Raghavendra Selvan, Nikhil Bhagwat, Lasse F Wolff Anthony, Benjamin Kanding, and Erik B Dam. Raghavendra Selvan、Nikhil Bhagwat、Lasse F Wolff Anthony、Benjamin Kanding、Erik B Dam。 0.34
2022. Carbon footprint of selecting and training deep learnarXiv ing models for medical preprint arXiv:2203.02202. 2022. 医学用プレプリントarxiv:2203.02202におけるdeep learnarxiv ingモデルのカーボンフットプリント 0.55
image analysis. Jaime Sevilla, Lennart Heim, Anson Ho, Tamay Besiroglu, Marius Hobbhahn, and Pablo Villalobos. 画像解析。 Jaime Sevilla, Lennart Heim, Anson Ho, Tamay Besiroglu, Marius Hobbhahn, Pablo Villalobos。 0.55
2022. Compute trends across three eras of machine learning. 2022. 機械学習の3つの時代の計算トレンド。 0.60
David R. So, Wojciech Ma´nke, Hanxiao Liu, Zihang Dai, Noam Shazeer, and Quoc V. Le. David R. So, Wojciech Ma ́nke, Hanxiao Liu, Zihang Dai, Noam Shazeer, Quoc V. Le 0.44
2022. Primer: Searching for efficient transformers for language modeling. 2022. Primer: 言語モデリングのための効率的なトランスフォーマーを探す。 0.56
Manfred Stede and Ronny Patz. マンフレッド・スティードとロニー・パッツ。 0.50
2021. The climate change debate and natural language processing. 2021. 気候変動に関する議論と自然言語処理。 0.61
In Proceedings of the 1st Workshop on NLP for Positive Impact, pages 8–18, Online. In Proceedings of the 1st Workshop on NLP for Positive Impact, page 8–18, Online. 0.49
Association for Computational Linguistics. Emma Strubell, Ananya Ganesh, and Andrew McCallum. 計算言語学会会員。 エマ・ストルベル、アナニア・ガネッシュ、アンドリュー・マケラム。 0.47
2019. Energy and policy considerations for In Proceedings of the 57th deep learning in NLP. 2019. NLPにおける第57回深層学習の成果に関するエネルギー・政策考察 0.63
Annual Meeting of the Association for Computational Linguistics, pages 3645–3650, Florence, Italy. イタリア・フィレンツェの計算言語学会年次大会3645-3650頁。 0.48
Association for Computational Linguistics. TerraChoice. 計算言語学会会員。 TerraChoice 0.39
2010. The sins of greenwashing: home 2010. 緑洗いの罪-家 0.54
and family edition. ファミリー版もある。 0.54
Underwriters Laboratories. Aaron D Tucker, Markus Anderljung, and Allan Dafoe. 研究所長。 アーロン・d・タッカー、マーカス・アンデルジョン、アラン・ダフォー。 0.49
2020. Social and governance implications of imthe proved data efficiency. 2020. 社会的および統治的意味は、実証されたデータ効率を意味する。 0.42
AAAI/ACM Conference on AI, Ethics, and Society, pages 378–384. AAAI/ACM Conference on AI, Ethics, and Society, page 378–384。 0.42
In Proceedings of UZH Zurich. 訴訟の手続において チューリッヒ出身。 0.43
2021. UZH Zurich Sustainability Report 2021. ウズベキスタン・チューリッヒ持続可能性レポート 0.43
2019/2020. 2019/2020. 0.35
Technical report, UZH Zurich. 技術報告 ウズー・チューリッヒ 0.55
Ricardo Vinuesa, Hossein Azizpour, Iolanda Leite, Madeline Balaam, Virginia Dignum, Sami Domisch, Anna Felländer, Simone Daniela Langhans, Max Tegmark, and Francesco Fuso Nerini. Ricardo Vinuesa, Hossein Azizpour, Iolanda Leite, Madeline Balaam, Virginia Dignum, Sami Domisch, Anna Felländer, Simone Daniela Langhans, Max Tegmark, Francesco Fuso Nerini
訳抜け防止モード: Ricardo Vinuesa, Hossein Azizpour, Iolanda Leite, Madeline Balaam Virginia Dignum, Sami Domisch, Anna Felländer, Simone Daniela Langhans マックス・テグマルク(Max Tegmark)とフランチェスコ・フソ・ネリーニ(Francesco Fuso Nerini)。
0.88
2020. The role of artificial intelligence in achieving the sustainable development goals. 2020. 持続可能な開発目標達成における人工知能の役割。 0.61
Nature communications, 11(1):1–10. 自然通信 11(1):1-10。 0.81
Nicolas Webersinke, Mathias Kraus, Julia Anna Bingler, and Markus Leippold. ニコラス・ウェバーシンケ、マティアス・クラウス、ジュリア・アンナ・ビングラー、マルコス・ライポルド。 0.44
2021. ClimateBert: A pretrained language model for climate-related text. 2021. ClimateBert: 気候関連のテキストのための事前訓練された言語モデル。 0.53
arXiv preprint arXiv:2110.12010. arXiv preprint arXiv:2110.12010 0.35
Thomas Wolf, Lysandre Debut, Victor Sanh, Julien Chaumond, Clement Delangue, Anthony Moi, Pierric Cistac, Tim Rault, Remi Louf, Morgan Funtowicz, Joe Davison, Sam Shleifer, Patrick von Platen, Clara Ma, Yacine Jernite, Julien Plu, Canwen Xu, Teven Le Scao, Sylvain Gugger, Mariama Drame, Quentin Lhoest, and Alexander Rush. Thomas Wolf, Lysandre Debut, Victor Sanh, Julien Chaumond, Clement Delangue, Anthony Moi, Pierric Cistac, Tim Rault, Remi Louf, Morgan Funtowicz, Joe Davison, Sam Shleifer, Patrick von Platen, Clara Ma, Yacine Jernite, Julien Plu, Canwen Xu, Teven Le Scao, Sylvain Gugger, Mariama Drame, Quentin Lhoest, Alexander Rush
訳抜け防止モード: トーマス・ウルフ、lysandre、victor sanh、julien chaumond。 clement delangue, anthony moi, pierric cistac, tim rault, remi louf, モーガン・ファントウィッツ ジョー・デイヴィソン サム・シュライファー パトリック・フォン・プラトン clara ma, yacine jernite, julien plu, canwen xu, teven le scao, sylvain gugger, mariama drame, quentin lhoestなど。 アレキサンダー・ラッシュ
0.57
2020. Transformers: State-of-the-art natural language processing. 2020. Transformers: 最先端の自然言語処理。 0.61
In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, pages 38–45, Online. 自然言語処理における経験的手法に関する2020年会議の議事録:システムデモ、38-45ページオンライン。 0.76
Association for Computational Linguistics. 計算言語学会会員。 0.52
英語(論文から抽出)日本語訳スコア
A Example for sustainability model card 持続可能性モデルカードの例 0.82
In the following, we give an example of a filled out climate performance model card. 以下に示すのは, 満載の気候性能モデルカードの例である。 0.70
We describe this based on ClimateBert, a language model which was finetuned on climate-related text (Webersinke et al , 2021). 本稿では,気候関連テキストに基づく言語モデルであるclimatebertについて述べる(webersinke et al, 2021)。 0.77
1. All weights of the final model are publicly 1.最終モデルの重量はすべて公にされている 0.79
available. 2. The paper proposes a fine-tuned language model on climate-related text. 利用可能。 2)気候関連テキストを用いた微調整言語モデルを提案する。 0.67
Thus, the proposed models are specific to a field and not task agnostic. したがって、提案したモデルはフィールドに特有であり、タスクに依存しない。 0.60
3. The duration for optimizing the final model was around 8 hours. 3.最終モデルの最適化期間は約8時間であった。 0.86
Note, that the paper proposes four final models but this field should only mention the optimization time for one model. 本稿は4つの最終モデルを提案するが、この分野は1つのモデルの最適化時間のみに言及すべきである。 0.73
4. In total, we estimate the duration for all computations to be 12 days (=288 hours). 4. 全体の計算時間は12日(=288時間)と推定される。 0.62
This estimation is likely pessimistic, i.e., the duration for all computations was likely lower. この推定は悲観的であり、すなわち、全ての計算の期間はおそらく低かった。 0.75
However, we want to point out again that this model card values transparency over accuracy. しかし、このモデルカードは正確性よりも透明性を重視していることを改めて指摘したい。
訳抜け防止モード: しかし、私たちは このモデルカードは 正確さよりも透明性を重視しています
0.71
5. The main hardware used for training were 2 x NVIDIA RTX A5000 with each GPU taking 230 watts. 5. トレーニングで使用するハードウェアは2x NVIDIA RTX A5000で、各GPUは230ワットである。 0.84
We add another 120 watts for the remaining hardware which would not be required by our model card. 残りのハードウェアに120ワットを追加しましたが、それは私たちのモデルカードには必要ありません。 0.65
6. The models were all trained on servers in Ger- 6. モデルはすべてgerのサーバ上でトレーニングされた。 0.67
many. 7. The energy mix is roughly 470 gCO2eq/kWh (according to umweltbundesamt.de/p ublikationen/entwick lung-der -spezifischen-kohlen dioxid-7. たくさん 7. エネルギー混合は約470 gco2eq/kwhである(umweltbundesamt.de/ p ublikationen/entwick lung-der -spezifischen-kohlen dioxid-7)。 0.46
8. Calculating 8 hours × 0.7 kW × 470 gCO2eq/kWh 8.計算 8時間× 0.7 kW × 470 gCO2eq/kWh 0.55
leads to 2.63kg CO2eq emissons. 2.63kgのCO2eqエミッションを発生させる。 0.42
9. Calculating 288 hours × 0.7 kW × 470 gCO2eq/kWh 9.計算 288時間×0.7kw×470gco2eq/kwh 0.69
leads to 94.75kg CO2eq emissons. 94.75kgのCO2eqを放出する。 0.50
10. A pass of 100,000 samples through the proposed model took 0.187 hours on the same server (using a batch size of 512). 10. 提案したモデルによる10万件のサンプルのパスは同じサーバ上で0.187時間(バッチサイズ512)を要した。 0.81
We then calculate 0.187 次に計算します 0.187 0.45
hours × 0.7 kW × 470 gCO2eq/kWh 時間 × 0.7 kw × 470 gco2eq/kwh 0.57
100, 000 = 0.62 mgCO2eq 100,000 = 0.62 mgCO2eq 0.35
as the emission for the inference of one sample. 1つのサンプルの 推定のエミッションとして 0.64
11. The proposed language model on its own does not directly have a positive environmental impact. 11. 提案言語モデルは, 直接的に環境に影響を及ぼすものではない。 0.83
However, it can be used to train more accurate NLP models on climate-related downstream tasks. しかし、気候に関連した下流タスクでより正確なnlpモデルのトレーニングに使用できる。 0.66
For instance, questionanswering systems for climate-related topics or greenwashing detectors could benefit from this pretrained language model. 例えば、気候関連トピックや温暖化検知器に対する質問応答システムは、この事前訓練された言語モデルから恩恵を受けることができる。 0.50
12. Block pruning is a method which drops a large number of attention heads in transformer models while only decreasing model performance slightly. 12. ブロックプルーニング(Block pruning)は, モデル性能をわずかに低下させながら, 変圧器モデルに多数の注意を落とす方法である。 0.72
Thus, the number of weights after block-pruning is decreased considerably which, in turn, decreases the CO2eq emissions. これにより、ブロック切断後の重量が大幅に減少し、CO2eq排出量が減少する。 0.73
Very likely, this method would show the same effect on the proposed ClimateBert model. この手法は、提案された気候モデルに同じ効果を示す可能性が高い。 0.79
B Development of NLP models over time Figure 3 shows the computational power that was put into the development of the major NLP models (Sevilla et al , 2022). B 時間経過に伴うNLPモデルの開発 図3は、主要なNLPモデルの開発に投入された計算能力を示している(Sevilla et al , 2022)。 0.88
With few exceptions, the training compute for NLP models has steadily increased over the past decade. わずかな例外を除いて、NLPモデルのトレーニング計算は過去10年間で着実に増加している。 0.70
Although progress has also been made in terms of more energy efficient hardware (e g , 19.5 GFLOPS/watt in a 2013 GTX Titan to 168.3 GFLOPs/watt in a 2021 RTX A6000), the increase in terms of required FLOPs is substantially larger. 2013年のGTXタイタンでは19.5 GFLOPS/ワット、2021年のRTX A6000では168.3 GFLOPs/ワット)というよりエネルギー効率のよいハードウェアも進歩しているが、必要なFLOPは大幅に増加している。 0.71
Exemplary, going from GPT (in 2018) to GPT-3 175B (in 2020), the training compute increase from 1.1E19 to 3.14E23 FLOPs — an increase by a factor larger than 25,000. GPT(2018年)からGPT-3 175B(2020年)に移行した例では、トレーニング計算は1.1E19から3.14E23 FLOPsへと増加し、これは25,000倍に増加した。 0.62
C GHG Protocol Information C GHGプロトコル情報 0.78
Requirements for Companies Whilst the GHG Protocol does not provide an ICT sector tool, it provides emission factors by fuel source to calculate GHG emissions based on the energy consumption. 企業への要求 GHGプロトコルはICTセクターツールを提供していないが、エネルギー消費に基づいてGHG排出量を計算するために燃料源による排出要因を提供する。 0.82
The emission factors reflect 排出要因の反映 0.71
英語(論文から抽出)日本語訳スコア
Figure 3: Development of floating point operations required to train NLP models. 図3: NLPモデルのトレーニングに必要な浮動小数点演算の開発。 0.82
Note the log-scale. ログスケールに注意してください。 0.47
the scientific climate consensus, based on the report of the Intergovernmental Panel on Climate Changes’ latest Assessment Report (for now the IPCC’s AR5, AR6 will be released soon)19. 気候変動に関する政府間パネルの最新の評価報告書(ipccのar5、ar6は近くリリースされる)に基づいて、科学的気候コンセンサスが発表された。
訳抜け防止モード: 気候変動に関する政府間パネル(IPCC)による最新のアセスメント報告書(IPCCのAR5)に基づく、科学的気候コンセンサス。 AR6はまもなくリリースされる。
0.77
In terms of specific information to be disclosed, the GHG protocol guidance states the following items20, which serve to build our model card approach. 具体的な情報については、GHGプロトコルガイダンスでは、以下の項目20を記述し、モデルカードのアプローチの構築に役立ちます。 0.69
The items that can be used for our approach are the following: 私たちのアプローチで使用できる項目は次のとおりです。 0.72
• DESCRIPTION OF THE COMPANY AND INVENTORY BOUNDARY ※会社の説明及び インベントリー境界 0.40
– An outline of the organizational boundaries chosen, including the chosen consolidation approach -選定された組織境界の概要、及び選定された統合アプローチ 0.81
– An outline of the operational boundaries chosen, and if scope 3 is included, a list specifying which types of activities are covered. - 選択された操作境界の概要とスコープ3が含まれている場合、どのアクティビティがカバーされているかを指定するリスト。 0.80
• INFORMATION ON EMISSIONS – Total scope 1 and 2 emissions independent of any GHG trades such as sales, purchases, transfers, or banking of allowances. •発光情報 – 総面積1及び2の排出量は、販売、購入、譲渡、手当の銀行などのGHG取引とは無関係である。 0.54
– Emissions data separately for each scope. - 各スコープごとにデータを別々に排出する。 0.63
– Methodologies used to calculate or measure emissions, providing a reference or link to any calculation tools used. -排出量の計算や測定に用いられ、使用する計算ツールへの参照やリンクを提供する方法。 0.70
19https://www.ipcc.c h/report/ar5/syr/ 20https://ghgprotoco l.org/corporate-st 19https://www.ipcc.c h/report/ar5/syr/20h ttps://ghgprotocol.o rg/corporate-st 0.13
andard – Any specific exclusions of sources, facil- アンダード -ソースの特定の除外、facil- 0.60
ities, and / or operations. ities、/またはオペレーション。 0.66
• INFORMATION ON EMISSIONS AND •発光情報及び発光情報 0.62
PERFORMANCE – Emissions data from relevant scope 3 emissions activities for which reliable data can be obtained. 性能 – 信頼できるデータが取得可能なアクティビティを、関連するスコープ3から排出する。 0.60
– Emissions data subdivided, where this aids transparency, by business units/facilities, country, source types, and activity types -データ排出 ビジネスユニット/ファシリティー、国、ソースタイプ、アクティビティタイプによる透明性を支援する部分分割 0.68
further – Relevant ratio performance indicators (e g emissions per kilowatt-hour generated, tonne of material production, or sales). さらに – 関連比率のパフォーマンス指標(キロワット時あたりのg排出量、材料生産量、販売量)。 0.65
– An outline of any GHG manage- -全てのghg管理の概要- 0.74
ment/reduction programs or strategies. ment/reuction プログラムまたは戦略。 0.64
– An outline of any external assurance provided and a copy of any verification statement, if applicable, of the reported emissions data. – 外部保証のアウトライン及び報告された排出データの検証文のコピー
訳抜け防止モード: -外部保証の概要及び検証文の写し 適用すれば、報告された排出データのうちの1つ。
0.61
– Information on the quality of the inventory (e g , information on the causes and magnitude of uncertainties in emission estimates) and an outline of policies in place to improve inventory quality. –在庫の質に関する情報(例えば、排出予測の不確実性の原因及び規模に関する情報)と、在庫の質を改善するための政策の概要。 0.74
• INFORMATION ON OFFSETS •オフセットに関する情報 0.60
– Information on offsets that have been purchased or developed outside the inventory boundary, subdivided by GHG -GHGが分割した在庫境界外から購入又は開発したオフセットに関する情報 0.82
英語(論文から抽出)日本語訳スコア
Minimum card Information 1. Is the resulting model publicly available? 最低カード 情報 1.結果モデルが一般公開されているか。 0.73
Unit Yes 2. How much time does the training of the final model take? ユニット はい 2. 最終モデルのトレーニングに要する時間はどのくらいか? 0.78
8 hours 3. How much time did all experiments take (incl. hyperparameter search)? 8時間 3.実験に要した時間(ハイパーパラメーターサーチを含む)は? 0.72
288 hours 4. What was the energy consumption (GPU/CPU)? 288時間 4. エネルギー消費量(gpu/cpu)は? 0.79
0.7 kW 5. At which geo location were the computations performed? 0.7kW 5.どの位置で計算を行ったか。 0.68
Germany Extended card 6. What was the energy mix at the geo location? ドイツ 拡張カード 6. 地理的位置でのエネルギー混合とは何か。 0.79
470 gCO2eq/kWh 470 gCO2eq/kWh 0.25
7. How much CO2eq was emitted to train the final model? 7. 最終モデルのトレーニングにCO2eqをどの程度使用したか? 0.71
2.63 kg 8. How much CO2eq was emitted for all experiments? 2.63kg 8. すべての実験でどれだけのCO2eqが放出されたか。 0.65
94.75 kg 9. What is the average CO2eq emission for the inference of one sample? 94.75kg 9. 1つのサンプルを推定するための平均co2eq排出量は? 0.73
0.62 mg 10. Which positive environmental impact can be expected from this work? 0.62mg 10. この作業からどのような環境影響が期待できるのか。 0.57
11. Comments This work can be categorized as a “building block tools” following Jin et al (2021). 11.コメント この作業は、jin et al (2021) に続く "ビルディングブロックツール" に分類できる。 0.74
It supports the training of NLP models in the field of climate change and, thereby, have a positive environmental impact in the future. 気候変動分野におけるNLPモデルのトレーニングを支援しており、将来の環境にポジティブな影響を与える。 0.73
Block pruning could decrease CO2eq emissions (Lagunas et al , 2021) ブロックプレーニングはCO2eq排出量を減少させる可能性がある(Lagunas et al , 2021) 0.61
Table 3: Climate performance model card: Filled in example for ClimateBert (Webersinke et al , 2021). 表3: 気候性能モデルカード:climatebert(webersi nke et al, 2021)の例。
訳抜け防止モード: 表3 : 気候性能モデルカード 例としてClimateBert (Webersinke et al, 2021 )がある。
0.75
storage/removals and emissions reduction projects. 貯蔵・除去・排出削減プロジェクト 0.66
Specify if the offsets are verified/certified and/or approved by an external GHG program. オフセットが検証/認証され、または外部GHGプログラムによって承認されるかどうかを指定する。 0.53
The GHG Protocols’ Appendix A provides a guidance on accounting for indirect emissions from purchased electricity. GHGProtocolsのAppendix Aは、購入した電気からの間接的な排出を会計するためのガイダンスを提供する。 0.55
This would be an important source of information for AI-related greenhouse gas accounting. これはAI関連の温室効果ガス会計の重要な情報源となるだろう。 0.74
                             ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。