論文の概要: Towards Sustainability Model Cards

• arxiv url: http://arxiv.org/abs/2507.19559v1
• Date: Fri, 25 Jul 2025 08:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:55.660697
• Title: Towards Sustainability Model Cards
• Title（参考訳）: 持続可能性モデルカードを目指して
• Authors: Gwendal Jouneaux, Jordi Cabot,
• Abstract要約: 本稿では,MLモデルの持続可能性の側面を定義するために,新しいドメイン特化言語を提案する。 この情報は、よく知られたModel Cardsイニシアチブの拡張版としてエクスポートすることができる。
• 参考スコア（独自算出の注目度）: 1.961305559606562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growth of machine learning (ML) models and associated datasets triggers a consequent dramatic increase in energy costs for the use and training of these models. In the current context of environmental awareness and global sustainability concerns involving ICT, Green AI is becoming an important research topic. Initiatives like the AI Energy Score Ratings are a good example. Nevertheless, these benchmarking attempts are still to be integrated with existing work on Quality Models and Service-Level Agreements common in other, more mature, ICT subfields. This limits the (automatic) analysis of this model energy descriptions and their use in (semi)automatic model comparison, selection, and certification processes. We aim to leverage the concept of quality models and merge it with existing ML model reporting initiatives and Green/Frugal AI proposals to formalize a Sustainable Quality Model for AI/ML models. As a first step, we propose a new Domain-Specific Language to precisely define the sustainability aspects of an ML model (including the energy costs for its different tasks). This information can then be exported as an extended version of the well-known Model Cards initiative while, at the same time, being formal enough to be input of any other model description automatic process.
• Abstract（参考訳）: 機械学習(ML)モデルと関連するデータセットの成長は、これらのモデルの使用とトレーニングのためのエネルギーコストの急激な増加を引き起こします。 ICTに関わる環境意識とグローバルな持続可能性に関する現在の文脈において、グリーンAIは重要な研究トピックになりつつある。 AI Energy Score Ratingsのようなイニシアティブはよい例です。 それでも、これらのベンチマークの試みは、他のより成熟したICTサブフィールドで共通する品質モデルとサービスレベル合意に関する既存の作業と統合される必要があります。 これは、このモデルエネルギー記述の(自律的な)分析と、(半自動的な)モデル比較、選択、および認定プロセスにおける使用を制限する。 我々は、品質モデルの概念を活用し、既存のMLモデルレポートイニシアチブとマージし、AI/MLモデルの持続可能な品質モデルを形式化するGreen/Frugal AI提案と統合することを目指している。 最初のステップとして、MLモデルの持続可能性(タスクのエネルギーコストを含む)を正確に定義する新しいドメイン特化言語を提案する。 この情報は、よく知られたModel Cardsイニシアチブの拡張バージョンとしてエクスポートされ、同時に、他のモデル記述自動プロセスの入力に十分な形式である。

関連論文リスト

• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)
• Science based AI model certification for new operational environments with application in traffic state estimation [1.2186759689780324]
  さまざまなエンジニアリング領域における人工知能(AI)の役割の拡大は、AIモデルを新たな運用環境にデプロイする際の課題を強調している。 本稿では,新しい運用環境における事前学習型データ駆動モデルの適用可能性を評価するための,科学ベースの認証手法を提案する。
  論文  参考訳（メタデータ） (2024-05-13T16:28:00Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Energy-based Automated Model Evaluation [19.90797626200033]
  本稿では,AutoEvalフレームワークをより効率的かつ効果的にするための新しい手段として,Meta-Distribution Energy(MDE)を提案する。 MDEは、個々のサンプルに関連する情報(エネルギー)に基づいて、メタ分布統計を確立し、エネルギーベースの学習によってよりスムーズな表現を提供する。 我々は、MDEの有効性を検証するために、モダリティ、データセット、異なるアーキテクチャのバックボーンにわたる広範な実験を提供する。
  論文  参考訳（メタデータ） (2024-01-23T11:54:09Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Stable and Interpretable Deep Learning for Tabular Data: Introducing InterpreTabNet with the Novel InterpreStability Metric [4.362293468843233]
  分類精度と解釈可能性の両方を向上するモデルであるInterpreTabNetを導入する。 また,モデルの解釈可能性の安定性を定量的に評価する新しい評価指標であるInterpreStabilityを提案する。
  論文  参考訳（メタデータ） (2023-10-04T15:04:13Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)

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。