論文の概要: Towards Sustainable SecureML: Quantifying Carbon Footprint of Adversarial Machine Learning
- arxiv url: http://arxiv.org/abs/2403.19009v1
- Date: Wed, 27 Mar 2024 21:02:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 18:01:50.974101
- Title: Towards Sustainable SecureML: Quantifying Carbon Footprint of Adversarial Machine Learning
- Title(参考訳): 持続可能なセキュアMLを目指して - 敵対的機械学習のカーボンフットプリントの定量化
- Authors: Syed Mhamudul Hasan, Abdur R. Shahid, Ahmed Imteaj,
- Abstract要約: 敵MLの炭素フットプリントに関する最初の研究を開拓した。
ロバストネス炭素トレードオフ指数(RCTI)について紹介する。
この新しい計量は、経済の弾力性原理にインスパイアされ、反対の強靭性の変化に対する二酸化炭素の感度を捉えている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The widespread adoption of machine learning (ML) across various industries has raised sustainability concerns due to its substantial energy usage and carbon emissions. This issue becomes more pressing in adversarial ML, which focuses on enhancing model security against different network-based attacks. Implementing defenses in ML systems often necessitates additional computational resources and network security measures, exacerbating their environmental impacts. In this paper, we pioneer the first investigation into adversarial ML's carbon footprint, providing empirical evidence connecting greater model robustness to higher emissions. Addressing the critical need to quantify this trade-off, we introduce the Robustness Carbon Trade-off Index (RCTI). This novel metric, inspired by economic elasticity principles, captures the sensitivity of carbon emissions to changes in adversarial robustness. We demonstrate the RCTI through an experiment involving evasion attacks, analyzing the interplay between robustness against attacks, performance, and carbon emissions.
- Abstract(参考訳): 機械学習(ML)が様々な産業に広く採用されていることで、そのエネルギー使用量と二酸化炭素排出量が持続可能性の懸念が高まっている。
この問題は、異なるネットワークベースの攻撃に対するモデルセキュリティを強化することに焦点を当てた、敵MLにおいて、より重要になる。
MLシステムにおける防御の実装は、しばしば追加の計算資源とネットワークセキュリティ対策を必要とし、環境への影響を悪化させる。
本稿では,敵対的MLの炭素フットプリントに関する最初の研究を開拓し,より大きなモデルロバスト性と高いエミッションを結び付ける実証的な証拠を提供する。
このトレードオフを定量化するための重要なニーズに対処するため、ロバストネス炭素トレードオフ指数(RCTI)を導入します。
この新しい計量は、経済の弾力性原理にインスパイアされ、反対の強靭性の変化に対する二酸化炭素の感度を捉えている。
我々は,避難攻撃を含む実験を通じてRCTIを実証し,攻撃に対するロバスト性,性能,二酸化炭素排出との相互作用を分析した。
関連論文リスト
- Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。
本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。
これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
論文 参考訳(メタデータ) (2024-07-17T09:45:27Z) - Carbon Market Simulation with Adaptive Mechanism Design [55.25103894620696]
炭素市場(英: carbon market)は、個人の利益をグローバルユーティリティーと整合させる経済エージェントをインセンティブとする、市場ベースのツールである。
階層型モデルフリーマルチエージェント強化学習(MARL)を用いて市場をシミュレートする適応機構設計フレームワークを提案する。
MARLは、政府エージェントが生産性、平等、二酸化炭素排出のバランスをとることができることを示している。
論文 参考訳(メタデータ) (2024-06-12T05:08:51Z) - Leakage-Resilient and Carbon-Neutral Aggregation Featuring the Federated AI-enabled Critical Infrastructure [42.688679691088204]
本稿では,ACIネットワークに対するリーク耐性,通信効率,カーボンニュートラルアプローチを提案する。
また,CDPAは通信コストを半減し,モデルユーティリティを保ちながら通信コストを半減できることを示す。
我々はCDPAの2.6倍から100倍以上の炭素排出量を発生させる既存のベンチマークを強調した。
論文 参考訳(メタデータ) (2024-05-24T06:35:09Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳(メタデータ) (2024-04-28T05:46:28Z) - Efficient Strategies on Supply Chain Network Optimization for Industrial Carbon Emission Reduction [0.0]
本研究では, 産業用炭素排出量削減を目的としたサプライチェーンネットワーク最適化の効率化戦略について検討した。
本稿では, リアルタイムの炭素排出量データを活用したアダプティブカーボン排出量指数(ACEI)を導入し, サプライチェーン運用における即時調整を行う。
論文 参考訳(メタデータ) (2024-04-17T14:53:55Z) - AI-driven E-Liability Knowledge Graphs: A Comprehensive Framework for
Supply Chain Carbon Accounting and Emissions Liability Management [0.0]
本稿では,Kaplan と Ramanna が提唱した E-liability carbon accounting method and emissions Liability Management (ELM) を紹介する。
我々は、AIと計算を活用する新しいデータ駆動統合フレームワーク、E-Liability Knowledge Graphフレームワークを紹介します。
論文 参考訳(メタデータ) (2023-11-26T23:09:36Z) - Efficiency is Not Enough: A Critical Perspective of Environmentally
Sustainable AI [9.918392710009774]
効率だけではMLを環境的に持続できる技術にするには不十分である、と我々は主張する。
我々は,MLの環境持続可能性向上に向けたシステム思考の実践的道として,システム思考を論じる。
論文 参考訳(メタデータ) (2023-09-05T09:07:24Z) - 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) - Is TinyML Sustainable? Assessing the Environmental Impacts of Machine
Learning on Microcontrollers [11.038060631389273]
Tiny Machine Learning(TinyML)は,持続可能なコンピューティングプラクティスを通じて,環境問題に対処する機会を提供する。
本稿では、これらのTinyMLアプリケーションが、重要な持続可能性課題に対処する可能性と、この新興技術の環境フットプリントについて論じる。
TinyMLシステムは、他のセクターの排出量を減らすアプリケーションを可能にすることで、二酸化炭素排出量を相殺する機会を提供する。
論文 参考訳(メタデータ) (2023-01-27T18:23:10Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-10T17:04:04Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳(メタデータ) (2020-01-31T05:12:59Z)
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。