論文の概要: EnsembleCI: Ensemble Learning for Carbon Intensity Forecasting
- arxiv url: http://arxiv.org/abs/2505.01959v2
- Date: Tue, 06 May 2025 15:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-07 12:42:37.957765
- Title: EnsembleCI: Ensemble Learning for Carbon Intensity Forecasting
- Title（参考訳）: EnsembleCI: 炭素強度予測のためのアンサンブル学習
- Authors: Leyi Yan, Linda Wang, Sihang Liu, Yi Ding,
- Abstract要約: 炭素強度(英: Carbon intensity、CI)は、電気単位当たりの平均的な炭素排出量を測定する。
私たちは、CI予測のための適応型エンドツーエンドのアンサンブル学習ベースのアプローチであるEnsembleCIを紹介します。
11の地域グリッドに対する評価では、EnsembleCIは一貫してCarbonCastを上回り、ほぼ全てのグリッドで平均絶対パーセンテージ誤差(MAPE)を最小にし、平均19.58%の予測精度を向上させる。
- 参考スコア（独自算出の注目度）: 3.085867867565808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Carbon intensity (CI) measures the average carbon emissions generated per unit of electricity, making it a crucial metric for quantifying and managing the environmental impact. Accurate CI predictions are vital for minimizing carbon footprints, yet the state-of-the-art method (CarbonCast) falls short due to its inability to address regional variability and lack of adaptability. To address these limitations, we introduce EnsembleCI, an adaptive, end-to-end ensemble learning-based approach for CI forecasting. EnsembleCI combines weighted predictions from multiple sublearners, offering enhanced flexibility and regional adaptability. In evaluations across 11 regional grids, EnsembleCI consistently surpasses CarbonCast, achieving the lowest mean absolute percentage error (MAPE) in almost all grids and improving prediction accuracy by an average of 19.58%. While performance still varies across grids due to inherent regional diversity, EnsembleCI reduces variability and exhibits greater robustness in long-term forecasting compared to CarbonCast and identifies region-specific key features, underscoring its interpretability and practical relevance. These findings position EnsembleCI as a more accurate and reliable solution for CI forecasting. EnsembleCI source code and data used in this paper are available at https://github.com/emmayly/EnsembleCI.
- Abstract（参考訳）: 炭素強度(CI)は、電気単位当たりの平均炭素排出量を測定し、環境影響を定量化し、管理するための重要な指標となる。
正確なCI予測は炭素フットプリントの最小化に不可欠であるが、局所的な変動性と適応性の欠如に対処できないため、最先端の手法(CarbonCast)は不足している。
これらの制限に対処するために、CI予測のための適応型エンドツーエンドのアンサンブル学習ベースのアプローチであるEnsembleCIを紹介します。
EnsembleCIは、複数のサブラーナーからの重み付け予測を組み合わせることで、柔軟性と地域適応性を向上させる。
11の地域グリッドに対する評価では、EnsembleCIは一貫してCarbonCastを上回り、ほぼ全てのグリッドで平均絶対パーセンテージ誤差(MAPE)を最小にし、平均19.58%の予測精度を向上させる。
しかしEnsembleCIは変種を減らし、CarbonCastに比べて長期予測の堅牢性を高め、地域固有の重要な特徴を識別し、その解釈可能性と実践的妥当性を強調している。
これらの結果は、EnsembleCIをCI予測のためのより正確で信頼性の高いソリューションとして位置づけている。
EnsembleCIのソースコードとデータはhttps://github.com/emmayly/EnsembleCIで公開されている。
関連論文リスト
- UniCBE: An Uniformity-driven Comparing Based Evaluation Framework with Unified Multi-Objective Optimization [19.673388630963807]
統一統一性駆動型CBEフレームワークUniCBEを提案する。
AlpacaEvalベンチマークでは、UniCBEは評価予算の17%以上を削減し、Pearsonと地上の真実との相関は0.995を超えている。
新しいモデルが継続的に導入されるシナリオでは、UniCBEは評価コストの50%以上を節約できる。
論文 参考訳（メタデータ） (2025-02-17T05:28:12Z) - Hierarchical Multi-Agent Framework for Carbon-Efficient Liquid-Cooled Data Center Clusters [5.335496791443277]
本稿では,Reinforcement Learning (RL) に基づく階層型コントローラを提案するGreen-DCCについて紹介する。
本稿では,複数のデータセンターを同期的に最適化し,デジタル双生児を対象とし,炭素排出量とサステナビリティ指標に基づく様々なRL手法の性能比較を行う。
論文 参考訳（メタデータ） (2025-02-12T12:00:58Z) - FedGreen: Carbon-aware Federated Learning with Model Size Adaptation [36.283273000969636]
フェデレートラーニング(FL)は、分散クライアントからモデルを構築するための有望な協調フレームワークを提供する。
FLクライアントをホストするクラウドとエッジサーバは、さまざまな電力源を持つ地理的な場所の影響を受け、多様な炭素フットプリントを示す可能性がある。
我々は、クライアントと共有する適応型モデルサイズを採用することにより、モデルを効率的に訓練するための、炭素を意識したFLアプローチであるFedGreenを提案する。
論文 参考訳（メタデータ） (2024-04-23T20:37:26Z) - CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。
CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。
CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
論文 参考訳（メタデータ） (2024-01-30T17:38:48Z) - CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data
Centers [18.54380015603228]
大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。
本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。
固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-06T23:59:22Z) - Coupling Global Context and Local Contents for Weakly-Supervised
Semantic Segmentation [54.419401869108846]
Weakly Supervised Semantic (WSSS)モデルを提案する。
グローバルなオブジェクトコンテキストを異なる粒度空間でキャプチャするために,フレキシブルなコンテキストアグリゲーションモジュールを提案する。
局所的な細粒度を集約するために、ボトムアップパラメータ学習可能な方法で意味的に一貫した特徴融合モジュールを提案する。
論文 参考訳（メタデータ） (2023-04-18T15:29:23Z) - Deep Combinatorial Aggregation [58.78692706974121]
ディープアンサンブル(Deep ensemble)は、不確実性を考慮した学習タスクの最先端結果を実現する、シンプルで効果的な方法である。
本研究では,ディープアグリゲーション(DCA)と呼ばれるディープアンサンブルの一般化について検討する。
DCAはネットワークコンポーネントの複数のインスタンスを生成し、それらの組み合わせを集約して、多様化したモデルの提案と予測を生成する。
論文 参考訳（メタデータ） (2022-10-12T17:35:03Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - Region Rebalance for Long-Tailed Semantic Segmentation [89.84860341946283]
まず、ピクセル再バランスによってこの問題に対処する主な課題を調査し、特定する。
そして,本分析に基づいて,単純かつ効果的な領域再バランス方式を導出する。
提案された領域再均衡スキームでは、最先端のBEiTはADE20K val集合上のmIoUで+0.7%上昇する。
論文 参考訳（メタデータ） (2022-04-05T03:47:47Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z)
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。