論文の概要: From Clicks to Carbon: The Environmental Toll of Recommender Systems

• arxiv url: http://arxiv.org/abs/2408.08203v2
• Date: Thu, 22 Aug 2024 10:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 17:51:50.726382
• Title: From Clicks to Carbon: The Environmental Toll of Recommender Systems
• Title（参考訳）: クリックからカーボンへ:レコメンダシステムの環境負荷
• Authors: Tobias Vente, Lukas Wegmeth, Alan Said, Joeran Beel,
• Abstract要約: 典型的な実験パイプラインを再現することにより,レコメンデータシステム研究の環境影響を推定する。 分析対象は2013年と2023年のACM RecSysカンファレンスの全論文79件である。 平均して、1つのディープラーニングベースの論文は3,297キログラムのCO2等価量を生成する。
• 参考スコア（独自算出の注目度）: 0.24374097382908472
• License:
• Abstract: As global warming soars, the need to assess the environmental impact of research is becoming increasingly urgent. Despite this, few recommender systems research papers address their environmental impact. In this study, we estimate the environmental impact of recommender systems research by reproducing typical experimental pipelines. Our analysis spans 79 full papers from the 2013 and 2023 ACM RecSys conferences, comparing traditional "good old-fashioned AI" algorithms with modern deep learning algorithms. We designed and reproduced representative experimental pipelines for both years, measuring energy consumption with a hardware energy meter and converting it to CO2 equivalents. Our results show that papers using deep learning algorithms emit approximately 42 times more CO2 equivalents than papers using traditional methods. On average, a single deep learning-based paper generates 3,297 kilograms of CO2 equivalents - more than the carbon emissions of one person flying from New York City to Melbourne or the amount of CO2 one tree sequesters over 300 years.
• Abstract（参考訳）: 地球温暖化が高まるにつれ、研究の環境への影響を評価する必要性が高まっている。 それにもかかわらず、環境への影響を論じるレコメンデーターシステムの研究論文はほとんどない。 本研究では,典型的な実験パイプラインを再現することで,レコメンデータシステム研究の環境影響を推定する。 私たちの分析は、2013年と2023年のACM RecSysカンファレンスの79の完全な論文にまたがっており、従来の"昔ながらのAI"アルゴリズムと現代のディープラーニングアルゴリズムを比較しています。 ハードウェアエネルギーメータを用いてエネルギー消費量を計測し,CO2相当量に換算し, 2年間にわたって代表的な実験パイプラインを設計, 再生した。 その結果,ディープラーニングアルゴリズムを用いた論文では,従来の手法による論文の約42倍のCO2等価量を出力していることがわかった。 平均して1枚の深層学習に基づく論文では、ニューヨーク市からメルボルンまで飛行する1人の二酸化炭素排出量や、300年以上にわたる1本の樹皮シークエンサーのCO2排出量よりも多い3,297キロ分のCO2が生成される。

関連論文リスト

• A Comprehensive Approach to Carbon Dioxide Emission Analysis in High Human Development Index Countries using Statistical and Machine Learning Techniques [4.106914713812204]
  世界規模の二酸化炭素排出量を効果的に削減するためには、二酸化炭素排出量の傾向を予測し、その排出量パターンに基づいて国を分類することが不可欠だ」と述べた。 本稿では,HDI(Human Development Index)を有する20カ国におけるCO2排出量の決定要因について,25年間にわたる経済,環境,エネルギー利用,再生可能資源に関連する要因について,詳細な比較研究を行った。
  論文  参考訳（メタデータ） (2024-05-01T21:00:02Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• 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)
• Carbon Emission Prediction on the World Bank Dataset for Canada [0.9256577986166795]
  本稿では,今後数年間の二酸化炭素排出量(CO2排出量)の予測方法について述べる。 この予測は過去50年間のデータに基づいている。 このデータセットには1960年から2018年までの全国のCO2排出量(一人当たりメートル)が含まれている。
  論文  参考訳（メタデータ） (2022-11-26T07:04:52Z)
• A Comparative Study of Machine Learning and Deep Learning Techniques for Prediction of Co2 Emission in Cars [2.362412515574206]
  政府が供給するCO2番号は、道路上での自動車の性能を正確に反映していないという証拠がいくつかある。 どのアルゴリズムとモデルが最も良い結果をもたらすかを決定するために、それらを全て比較し、それらを組み立てる新しい方法を探究した。 これは、世界温度の上昇を予見し、電気自動車の導入のような重要な政策決定を下すのに使うことができる。
  論文  参考訳（メタデータ） (2022-11-15T16:20:39Z)
• 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)
• Eco2AI: carbon emissions tracking of machine learning models as the first step towards sustainable AI [47.130004596434816]
  eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。 モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
  論文  参考訳（メタデータ） (2022-07-31T09:34:53Z)
• Joint Study of Above Ground Biomass and Soil Organic Carbon for Total Carbon Estimation using Satellite Imagery in Scotland [0.0]
  ランドカーボンの検証は、長い間、カーボンクレジット市場の課題だった。 リモートセンシング技術により、土壌有機炭素(SOC)とAGB(Above Ground Biomass)の変化をモニタリングできる
  論文  参考訳（メタデータ） (2022-05-08T20:23:30Z)
• Optimizing carbon tax for decentralized electricity markets using an agent-based model [69.3939291118954]
  人為的気候変動の影響を避けるためには、化石燃料から低炭素技術への移行が必要である。 炭素税は、この移行を支援する効率的な方法であることが示されている。 NSGA-IIの遺伝的アルゴリズムを用いて、電力混合の平均電気価格と相対炭素強度を最小化する。
  論文  参考訳（メタデータ） (2020-05-28T06:54:43Z)
• 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。