論文の概要: Performance is not All You Need: Sustainability Considerations for Algorithms

• arxiv url: http://arxiv.org/abs/2509.00045v2
• Date: Wed, 03 Sep 2025 05:15:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 17:24:09.243838
• Title: Performance is not All You Need: Sustainability Considerations for Algorithms
• Title（参考訳）: パフォーマンスは必要なすべてではない - アルゴリズムの持続可能性に関する考察
• Authors: Xiang Li, Chong Zhang, Hongpeng Wang, Shreyank Narayana Gowda, Yushi Li, Xiaobo Jin,
• Abstract要約: この研究は、ディープラーニングモデルトレーニングによって生成される高炭素排出量に焦点を当てている。 革新的な2次元サステナビリティ評価システムを提案する。 持続可能性評価フレームワークのコードはここにあり、アルゴリズムエネルギー効率標準を確立するための方法論的支援を提供する。
• 参考スコア（独自算出の注目度）: 19.440317792116833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work focuses on the high carbon emissions generated by deep learning model training, specifically addressing the core challenge of balancing algorithm performance and energy consumption. It proposes an innovative two-dimensional sustainability evaluation system. Different from the traditional single performance-oriented evaluation paradigm, this study pioneered two quantitative indicators that integrate energy efficiency ratio and accuracy: the sustainable harmonic mean (FMS) integrates accumulated energy consumption and performance parameters through the harmonic mean to reveal the algorithm performance under unit energy consumption; the area under the sustainability curve (ASC) constructs a performance-power consumption curve to characterize the energy efficiency characteristics of the algorithm throughout the cycle. To verify the universality of the indicator system, the study constructed benchmarks in various multimodal tasks, including image classification, segmentation, pose estimation, and batch and online learning. Experiments demonstrate that the system can provide a quantitative basis for evaluating cross-task algorithms and promote the transition of green AI research from theory to practice. Our sustainability evaluation framework code can be found here, providing methodological support for the industry to establish algorithm energy efficiency standards.
• Abstract（参考訳）: この研究は、ディープラーニングモデルトレーニングによって生成される高炭素排出量に焦点を当て、特にアルゴリズムのパフォーマンスとエネルギー消費のバランスをとる上での課題に対処する。 革新的な2次元サステナビリティ評価システムを提案する。 持続調和平均(FMS)は、高調波平均を通じて蓄積したエネルギー消費と性能パラメータを統合し、単位エネルギー消費下でのアルゴリズム性能を明らかにし、持続可能性曲線(ASC)の下の領域は、サイクルを通してアルゴリズムのエネルギー効率特性を特徴づけるために性能消費電力曲線を構築する。 インジケータシステムの普遍性を検証するため、画像分類、セグメンテーション、ポーズ推定、バッチおよびオンライン学習など、様々なマルチモーダルタスクのベンチマークを構築した。 実験により、システムはクロスタスクアルゴリズムを評価するための定量的基盤を提供し、理論から実践へのグリーンAI研究の移行を促進することができることが示された。 持続可能性評価フレームワークのコードはここにあり、アルゴリズムエネルギー効率標準を確立するための方法論的支援を提供する。

関連論文リスト

• Reinforcement Learning under Latent Dynamics: Toward Statistical and Algorithmic Modularity [51.40558987254471]
  強化学習の現実的な応用は、エージェントが複雑な高次元の観察を行う環境を含むことが多い。 本稿では,統計的・アルゴリズム的な観点から,textit General$ latent dynamicsの下での強化学習の課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T14:22:49Z)
• A Knowledge-driven Memetic Algorithm for the Energy-efficient Distributed Homogeneous Flow Shop Scheduling Problem [3.8628109670599]
  エネルギー効率の高い分散均質フローショップスケジューリング問題(DHFSSP)に対処する知識駆動メメティックアルゴリズム(KDMA)を提案する。 KDMAは様々な評価面において多くの最先端アルゴリズムより優れていることは明らかである。
  論文  参考訳（メタデータ） (2024-04-28T00:52:44Z)
• Balancing Energy Efficiency and Distributional Robustness in Over-the-Air Federated Learning [40.96977338485749]
  本稿では,空気計算(AirComp)を用いた分布型頑健な連邦学習(FL)におけるエネルギー効率を保証する新しい手法を提案する。 本稿では,エネルギー効率に配慮した決定論的手法と,分散ロバスト性に配慮した確率論的手法の2つの相補的な洞察を統合する新しいクライアント選択手法を提案する。 シミュレーションの結果,提案アルゴリズムの有効性を実証し,ロバスト性およびエネルギー効率の両面から,ベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-12-22T12:15:52Z)
• 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)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• On Feature Diversity in Energy-based Models [98.78384185493624]
  エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
  論文  参考訳（メタデータ） (2023-06-02T12:30:42Z)
• Optimizing Attention and Cognitive Control Costs Using Temporally-Layered Architectures [0.9831489366502302]
  生物学的制御は、計算エネルギー支出と決定頻度を最適化しながら、顕著な性能を達成する。 我々は,強化学習環境においてエージェントが利用できる決定数や計算エネルギーを制限する決定境界マルコフ決定プロセス(DB-MDP)を提案する。 生物学的に着想を得たTLA(Temporally Layered Architecture)を導入し、エージェントが時間スケールとエネルギー要求の異なる2つの層を通じて計算コストを管理できるようにする。
  論文  参考訳（メタデータ） (2023-05-30T02:59:06Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)
• Full-Cycle Energy Consumption Benchmark for Low-Carbon Computer Vision [31.781943982148025]
  我々は,効率的なコンピュータビジョンモデルのための最初の大規模エネルギー消費ベンチマークを示す。 モデル利用強度の異なる全サイクルエネルギー消費を明示的に評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2021-08-30T18:22:36Z)

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。