論文の概要: Data-Centric Green AI: An Exploratory Empirical Study

• arxiv url: http://arxiv.org/abs/2204.02766v1
• Date: Wed, 6 Apr 2022 12:22:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 14:19:58.222827
• Title: Data-Centric Green AI: An Exploratory Empirical Study
• Title（参考訳）: データ中心型グリーンAI:探索的研究
• Authors: Roberto Verdecchia, Lu\'is Cruz, June Sallou, Michelle Lin, James Wickenden, Estelle Hotellier
• Abstract要約: データ中心のアプローチがAIエネルギー効率に与える影響について検討する。 以上の結果から,データセットの変更を排他的に行うことで,エネルギー消費を大幅に削減できることが示唆された。 我々の研究成果は、グリーンAIをさらに有効化し民主化するためのデータ中心技術に焦点を当てた研究課題である。
• 参考スコア（独自算出の注目度）: 6.4265933507484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing availability of large-scale datasets, and the popularization of affordable storage and computational capabilities, the energy consumed by AI is becoming a growing concern. To address this issue, in recent years, studies have focused on demonstrating how AI energy efficiency can be improved by tuning the model training strategy. Nevertheless, how modifications applied to datasets can impact the energy consumption of AI is still an open question. To fill this gap, in this exploratory study, we evaluate if data-centric approaches can be utilized to improve AI energy efficiency. To achieve our goal, we conduct an empirical experiment, executed by considering 6 different AI algorithms, a dataset comprising 5,574 data points, and two dataset modifications (number of data points and number of features). Our results show evidence that, by exclusively conducting modifications on datasets, energy consumption can be drastically reduced (up to 92.16%), often at the cost of a negligible or even absent accuracy decline. As additional introductory results, we demonstrate how, by exclusively changing the algorithm used, energy savings up to two orders of magnitude can be achieved. In conclusion, this exploratory investigation empirically demonstrates the importance of applying data-centric techniques to improve AI energy efficiency. Our results call for a research agenda that focuses on data-centric techniques, to further enable and democratize Green AI.
• Abstract（参考訳）: 大規模データセットの可用性が向上し、安価なストレージと計算能力の普及により、AIが消費するエネルギーが懸念されている。 この問題に対処するため、近年、モデルトレーニング戦略をチューニングすることでaiエネルギー効率をどのように改善できるかを実証する研究が進められている。 それでも、データセットへの修正がAIのエネルギー消費に与える影響は、まだ未解決の問題である。 このギャップを埋めるために、この探索研究において、AIエネルギー効率を向上させるためにデータ中心のアプローチを利用できるかどうかを評価する。 目的を達成するために,6つの異なるaiアルゴリズム,5,574個のデータポイントからなるデータセット,2つのデータセット(データポイント数と特徴数)を考慮した実験を行った。 以上の結果から,データセットの修正を排他的に行うことで,エネルギー消費量が劇的に減少する(最大92.16%)ことが判明した。 追加的な導入結果として,使用するアルゴリズムを排他的に変更することで,最大2桁までの省エネルギーを実現する方法を示す。 結論として、この探索的調査は、aiエネルギー効率を改善するためにデータ中心の技術を適用することの重要性を実証的に示している。 我々の研究成果は、グリーンAIのさらなる有効化と民主化を目的として、データ中心の技術に焦点を当てた研究課題を求めている。

関連論文リスト

• A Closer Look at Data Augmentation Strategies for Finetuning-Based Low/Few-Shot Object Detection [5.434078645728145]
  本稿では、カスタムデータ拡張のモデル性能とエネルギー効率の両立と自動データ拡張選択戦略について検討する。 多くの場合、データ拡張戦略の性能向上は、そのエネルギー使用量の増加によって、過度に隠蔽されていることが示されている。
  論文  参考訳（メタデータ） (2024-08-20T15:29:56Z)
• Exploring Artificial Intelligence Methods for Energy Prediction in Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
  本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。 このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。 この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-27T13:30:20Z)
• On the Opportunities of Green Computing: A Survey [80.21955522431168]
  人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。 高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。 コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
  論文  参考訳（メタデータ） (2023-11-01T11:16:41Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices [8.140572894424208]
  我々はエネルギー測定、予測、効率評価を含む3倍の研究を行う。 まず、デバイス上での深層学習のエネルギー消費特性を明らかにするための、第1級の詳細な測定結果を示す。 第2に、カーネルレベルのエネルギーデータセットに基づいて、エッジデバイスのための最初のカーネルレベルのエネルギー予測器を設計、実装する。
  論文  参考訳（メタデータ） (2023-10-19T23:55:00Z)
• Energy Efficiency Considerations for Popular AI Benchmarks [4.991046902153724]
  一般的なAIベンチマークに関する洞察を、合計100の実験で提供しています。 我々の発見は、異なるデータセットがそれぞれがそれぞれの効率のランドスケープを持っていることの証拠であり、メソッドが多かれ少なかれ効率的に振る舞う可能性を示している。
  論文  参考訳（メタデータ） (2023-04-17T15:18:15Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Data augmentation through multivariate scenario forecasting in Data Centers using Generative Adversarial Networks [0.18416014644193063]
  人工知能に基づくグローバルなエネルギー効率戦略を実現する上での大きな課題は、アルゴリズムを供給するために大量のデータが必要であることです。 本稿では,データセンタ内の合成シナリオ予測に基づく時系列データ拡張手法を提案する。 我々の研究は、データセンターで消費されるエネルギーを最適化するのに役立ちます。
  論文  参考訳（メタデータ） (2022-01-12T15:09:10Z)
• Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
  コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。 継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
  論文  参考訳（メタデータ） (2021-09-12T09:40:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。