論文の概要: Towards Green AI with tensor networks -- Sustainability and innovation enabled by efficient algorithms

• arxiv url: http://arxiv.org/abs/2205.12961v1
• Date: Wed, 25 May 2022 14:02:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-28 14:31:04.475759
• Title: Towards Green AI with tensor networks -- Sustainability and innovation enabled by efficient algorithms
• Title（参考訳）: テンソルネットワークによるグリーンAIを目指して -- 効率的なアルゴリズムによって実現されたサステナビリティとイノベーション
• Authors: Eva Memmel, Clara Menzen, Jetze Schuurmans, Frederiek Wesel, Kim Batselier
• Abstract要約: 持続可能なグリーンAIのための有望なツール:テンソルネットワーク(TN)について紹介する。 TNは精度を損なうことなく効率を向上させる能力を持つ。 より優れたアルゴリズムは精度と効率の両方の観点から評価されるべきである。
• 参考スコア（独自算出の注目度）: 1.9424280683610138
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The current standard to compare the performance of AI algorithms is mainly based on one criterion: the model's accuracy. In this context, algorithms with a higher accuracy (or similar measures) are considered as better. To achieve new state-of-the-art results, algorithmic development is accompanied by an exponentially increasing amount of compute. While this has enabled AI research to achieve remarkable results, AI progress comes at a cost: it is unsustainable. In this paper, we present a promising tool for sustainable and thus Green AI: tensor networks (TNs). Being an established tool from multilinear algebra, TNs have the capability to improve efficiency without compromising accuracy. Since they can reduce compute significantly, we would like to highlight their potential for Green AI. We elaborate in both a kernel machine and deep learning setting how efficiency gains can be achieved with TNs. Furthermore, we argue that better algorithms should be evaluated in terms of both accuracy and efficiency. To that end, we discuss different efficiency criteria and analyze efficiency in an exemplifying experimental setting for kernel ridge regression. With this paper, we want to raise awareness about Green AI and showcase its positive impact on sustainability and AI research. Our key contribution is to demonstrate that TNs enable efficient algorithms and therefore contribute towards Green AI. In this sense, TNs pave the way for better algorithms in AI.
• Abstract（参考訳）: aiアルゴリズムのパフォーマンスを比較する現在の標準は、主にモデルの正確性という1つの基準に基づいている。 この文脈では、高い精度(または同様の測度)のアルゴリズムの方が優れていると考えられる。 最新の結果を達成するために、アルゴリズム開発には指数関数的に増加する計算量を伴う。 これにより、AI研究は目覚ましい成果を得られるようになったが、AIの進歩にはコストがかかる。 本稿では,持続可能なグリーンAIのための有望なツールであるテンソルネットワーク(TN)を提案する。 多線型代数から確立されたツールであるため、TNは精度を損なうことなく効率を向上させることができる。 計算処理を大幅に削減できるので、Green AIに対する彼らの可能性を強調したいと思います。 カーネルマシンとディープラーニングの両方で、TNを用いて効率向上を実現する方法について詳しく述べる。 さらに、精度と効率の両面から、より良いアルゴリズムを評価すべきであると主張する。 そこで我々は,カーネルリッジ回帰の実証実験において,異なる効率基準を議論し,効率を解析する。 本稿では,グリーンAIに対する意識を高め,サステナビリティとAI研究に対する肯定的な影響を示す。 私たちの重要な貢献は、TNが効率的なアルゴリズムを可能にし、従ってGreen AIに貢献することを示すことです。 この意味で、TNはAIにおけるより良いアルゴリズムの道を開いた。

関連論文リスト

• Green Federated Learning: A new era of Green Aware AI [11.536626349203361]
  フェデレートラーニング(FL)は、このニーズに対処する新たな機会を提供する。 グリーンアウェアなAIアルゴリズムの既存の取り組みとギャップをナビゲートし、理解するためのロードマップを、研究者、ステークホルダ、関心のある関係者に提供することが重要です。 この調査は主に、100を超えるFL作品を特定し分析することで、この目的を達成することを目的としている。
  論文  参考訳（メタデータ） (2024-09-19T09:54:18Z)
• Towards Green AI: Current status and future research [0.3749861135832072]
  我々は、環境アセスメントとAIシステムのコードデザインの両方に対するアプローチの現状を調査することで、グリーンAIに関する言論を広げることを目指している。 我々は、関連する計算ハードウェアの炭素フットプリントを例示的に推定し、グリーンAIの手法をさらに調査する必要性を強調する。 AIを活用することで、AI4greenAIという独自の環境課題を軽減できると考えています。
  論文  参考訳（メタデータ） (2024-05-01T08:10:01Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• Igniting Language Intelligence: The Hitchhiker's Guide From Chain-of-Thought Reasoning to Language Agents [80.5213198675411]
  大規模言語モデル(LLM)は言語知能の分野を劇的に拡張した。 LLMは興味をそそるチェーン・オブ・シークレット(CoT)推論技術を活用し、答えを導き出す途中の中間ステップを定式化しなければならない。 最近の研究は、自律言語エージェントの開発を促進するためにCoT推論手法を拡張している。
  論文  参考訳（メタデータ） (2023-11-20T14:30:55Z)
• 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)
• Predictable Artificial Intelligence [77.1127726638209]
  本稿では予測可能なAIのアイデアと課題を紹介する。 それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。 予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-10-09T21:36:21Z)
• The Ethics of AI Value Chains [0.6138671548064356]
  AI倫理に関心を持つ研究者、実践者、政策立案者は、AIシステムの研究と介入にもっと統合的なアプローチを必要とする。 我々は、戦略的管理、サービス科学、経済地理学、産業、政府、応用研究文献から、バリューチェーンとAIバリューチェーンの理論をレビューする。 我々は、研究者、実践者、政策立案者がAIバリューチェーン全体にわたってより倫理的なプラクティスを進めることができる3つの今後の方向性を推奨します。
  論文  参考訳（メタデータ） (2023-07-31T15:55:30Z)
• A Systematic Review of Green AI [8.465228064780744]
  グリーンAIは、AI環境の持続可能性の研究である。 この話題は、2020年以降、かなりの成長を遂げた。 このレビューから、他のGreen AI研究戦略を採用するのに適した時期が浮かび上がっている。
  論文  参考訳（メタデータ） (2023-01-26T11:41:46Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)
• Metaethical Perspectives on 'Benchmarking' AI Ethics [81.65697003067841]
  ベンチマークは、人工知能(AI)研究の技術的進歩を測定するための基盤とみられている。 AIの顕著な研究領域は倫理であり、現在、ベンチマークのセットも、AIシステムの「倫理性」を測定する一般的な方法もない。 我々は、現在と将来のAIシステムのアクションを考えるとき、倫理よりも「価値」について話す方が理にかなっていると論じる。
  論文  参考訳（メタデータ） (2022-04-11T14:36:39Z)

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。