論文の概要: Greenhouse gases emissions: estimating corporate non-reported emissions using interpretable machine learning

• arxiv url: http://arxiv.org/abs/2212.10844v1
• Date: Wed, 21 Dec 2022 08:36:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 14:19:04.130022
• Title: Greenhouse gases emissions: estimating corporate non-reported emissions using interpretable machine learning
• Title（参考訳）: 温室効果ガス排出量: 解釈可能な機械学習による企業非報告排出量の推定
• Authors: Jeremi Assael (BNPP CIB GM Lab, MICS), Thibaut Heurtebize, Laurent Carlier (BNPP CIB GM Lab), Fran\c{c}ois Soup\'e
• Abstract要約: 2022年現在、温室効果ガス(GHG)排出量の報告と監査はすべての企業に対して義務付けられていない。 我々は、まだ報告していない企業のスコープ1とスコープ2のGHG排出量を推定する機械学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As of 2022, greenhouse gases (GHG) emissions reporting and auditing are not yet compulsory for all companies and methodologies of measurement and estimation are not unified. We propose a machine learning-based model to estimate scope 1 and scope 2 GHG emissions of companies not reporting them yet. Our model, specifically designed to be transparent and completely adapted to this use case, is able to estimate emissions for a large universe of companies. It shows good out-of-sample global performances as well as good out-of-sample granular performances when evaluating it by sectors, by countries or by revenues buckets. We also compare our results to those of other providers and find our estimates to be more accurate. Thanks to the proposed explainability tools using Shapley values, our model is fully interpretable, the user being able to understand which factors split explain the GHG emissions for each particular company.
• Abstract（参考訳）: 2022年現在、温室効果ガス(GHG)排出量の報告と監査は全企業に義務付けられておらず、測定と推定の方法論は統一されていない。 我々は、まだ報告していない企業のスコープ1とスコープ2のGHG排出量を推定する機械学習モデルを提案する。 当社のモデルは、透明でこのユースケースに完全に適合するように特別に設計されており、大企業の排出量を見積もることができる。 国別、または収益別で評価する際、サンプル外の世界的パフォーマンスと、サンプル外粗粒度のパフォーマンスが良い。 また、結果と他のプロバイダの結果を比較して、より正確に見積もることができます。 提案したShapley値を用いた説明可能性ツールにより,本モデルは完全に解釈可能となり,各企業毎のGHG排出量を,どの要因を分割して説明することができる。

関連論文リスト

• Climate AI for Corporate Decarbonization Metrics Extraction [7.522638089716454]
  コーポレートデカーボライズメトリックス抽出(CAI)モデルとパイプラインについて紹介する。 本研究では, 企業公開情報からのデータキュレーション, 検証, 評価を自動化することにより, データの収集効率と精度を向上させることを実証する。
  論文  参考訳（メタデータ） (2024-11-05T18:37:51Z)
• Reporting and Analysing the Environmental Impact of Language Models on the Example of Commonsense Question Answering with External Knowledge [7.419725234099729]
  チャットGPTは大規模言語モデル(LLM)に社会的な関心を喚起した LLMは相当な計算資源を必要としており、財政的にも環境的にも訓練に非常に費用がかかる。 本研究では,外部知識でT5 LLMを注入し,質問応答タスクのモデルを微調整した。
  論文  参考訳（メタデータ） (2024-07-24T16:16:16Z)
• Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions [75.45274978665684]
  VLU(Vision-Language Understanding)ベンチマークには、提供されたコンテキストによってサポートされない仮定に答えが依存するサンプルが含まれている。 サンプル毎にコンテキストデータを収集し,エビデンスに基づくモデル予測を促進するためにコンテキスト選択モジュールをトレーニングする。 我々は,十分なコンテキストを欠いたサンプルを同定し,モデル精度を向上させる汎用なコンテキスト・アワレ認識検出器を開発した。
  論文  参考訳（メタデータ） (2024-05-18T02:21:32Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Gaussian Process Probes (GPP) for Uncertainty-Aware Probing [61.91898698128994]
  モデルによって表現される概念に関する不確実性を探索し、測定するための統一的でシンプルなフレームワークを導入する。 実験の結果,(1)ごく少数の例でも,モデルの概念表現を探索し,(2)認識の不確実性(プローブがどの程度確実か)と解離不確実性(モデルがファジィか)を正確に測定し,(3)これらの不確実性尺度と古典的手法を用いて分布データの検出を行うことができた。
  論文  参考訳（メタデータ） (2023-05-29T17:00:16Z)
• ReCOGS: How Incidental Details of a Logical Form Overshadow an Evaluation of Semantic Interpretation [63.33465936588327]
  合成一般化ベンチマークCOGSの修正版を提案する。 本結果は,構成一般化とベンチマークタスク設計の重要性を再確認するものである。
  論文  参考訳（メタデータ） (2023-03-24T00:01:24Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model [72.65502770895417]
  176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。 BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。 本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
  論文  参考訳（メタデータ） (2022-11-03T17:13:48Z)
• Environmental Claim Detection [6.2887102994549595]
  本稿では,環境クレーム検出の課題を紹介する。 専門家による注釈付きデータセットと、このデータセットでトレーニングされたモデルをリリースします。 2015年のパリ協定以降、環境要求件数は着実に増加していることが判明した。
  論文  参考訳（メタデータ） (2022-09-01T14:51:07Z)
• Automated Estimation of Construction Equipment Emission using Inertial Sensors and Machine Learning Models [0.0]
  建設産業は温室効果ガス(GHG)の主要な生産国の一つである 本稿では,IoT(Internet of Things,モノのインターネット)を介して監視される重建設機器からの排出量を予測するために,機械学習(ML)手法を用いた新しいフレームワークの開発と展開について述べる。 異なるMLアルゴリズムを開発し、慣性センサデータから放射レベルを予測する最良のモデルを特定した。
  論文  参考訳（メタデータ） (2021-09-27T22:37:55Z)
• Estimation of Corporate Greenhouse Gas Emissions via Machine Learning [1.3190581566723916]
  欧州委員会は2021年4月に最も野心的な気候変動対策を採択した。 世界中の企業のカーボンフットプリントを見る能力は、投資家にとってこの措置に従うことが重要だ。 公表された温室効果ガス排出量に関する機械学習モデルをトレーニングすることにより、排出を公表していない他の企業の排出量を世界規模で推定することができる。
  論文  参考訳（メタデータ） (2021-09-09T14:50:26Z)

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。