論文の概要: Green Federated Learning via Carbon-Aware Client and Time Slot Scheduling

• arxiv url: http://arxiv.org/abs/2509.08980v1
• Date: Wed, 10 Sep 2025 20:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.136475
• Title: Green Federated Learning via Carbon-Aware Client and Time Slot Scheduling
• Title（参考訳）: Carbon-Aware Client と Time Slot Scheduling によるグリーンフェデレーション学習
• Authors: Daniel Richards Arputharaj, Charlotte Rodriguez, Angelo Rodio, Giovanni Neglia,
• Abstract要約: 大規模な機械学習モデルのトレーニングは、かなりの二酸化炭素排出量を発生させる。 本稿では,炭素を意識したクライアント選択とトレーニングスケジューリングによるフェデレート学習の排出削減について検討する。
• 参考スコア（独自算出の注目度）: 8.491852197957849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training large-scale machine learning models incurs substantial carbon emissions. Federated Learning (FL), by distributing computation across geographically dispersed clients, offers a natural framework to leverage regional and temporal variations in Carbon Intensity (CI). This paper investigates how to reduce emissions in FL through carbon-aware client selection and training scheduling. We first quantify the emission savings of a carbon-aware scheduling policy that leverages slack time -- permitting a modest extension of the training duration so that clients can defer local training rounds to lower-carbon periods. We then examine the performance trade-offs of such scheduling which stem from statistical heterogeneity among clients, selection bias in participation, and temporal correlation in model updates. To leverage these trade-offs, we construct a carbon-aware scheduler that integrates slack time, $\alpha$-fair carbon allocation, and a global fine-tuning phase. Experiments on real-world CI data show that our scheduler outperforms slack-agnostic baselines, achieving higher model accuracy across a wide range of carbon budgets, with especially strong gains under tight carbon constraints.
• Abstract（参考訳）: 大規模な機械学習モデルのトレーニングは、かなりの二酸化炭素排出量を発生させる。 フェデレートラーニング(FL)は、地理的に分散したクライアントに分散した計算を分散することにより、炭素強度(CI)の局所的および時間的変動を利用するための自然なフレームワークを提供する。 本稿では,炭素を意識したクライアント選択とトレーニングスケジューリングによるFLの排出削減について検討する。 まず、スラックタイムを活用する炭素対応スケジューリングポリシーの排出削減を定量化し、トレーニング期間を緩やかに延長することで、クライアントが局所的なトレーニングラウンドを低炭素期間に延期できるようにします。 次に、クライアント間の統計的不均一性、参加選択バイアス、モデル更新における時間的相関から生じるスケジューリングの性能トレードオフについて検討する。 これらのトレードオフを活用するために、スラックタイム、$\alpha$-fairの炭素割り当て、グローバルな微調整フェーズを統合する炭素対応スケジューラを構築した。 実世界のCIデータを用いた実験では、スケジューラはスラックス非依存のベースラインよりも優れており、特に厳しい炭素制約下での強い利得により、幅広い炭素予算でより高いモデル精度を実現している。

関連論文リスト

• Diffusion-Modeled Reinforcement Learning for Carbon and Risk-Aware Microgrid Optimization [48.70916202664808]
  DiffCarl(ディフカール)は、マルチマイクログリッドシステムのインテリジェントな操作のための、拡散モデルによる炭素およびリスクを考慮した強化学習アルゴリズムである。 従来のアルゴリズムと最先端のDRLソリューションを2.3-30.1%削減した。 また、炭素を意識しない変種よりも28.7%低い炭素排出量を達成し、性能の変動を減少させる。
  論文  参考訳（メタデータ） (2025-07-22T03:27:07Z)
• Carbon- and Precedence-Aware Scheduling for Data Processing Clusters [10.676357280358886]
  データ処理のための炭素対応スケジューリングは、時間的変化のある炭素と優先順位の制約の両方の知識から恩恵を受けることを示す。 このスケジューラは, 炭素削減時間と仕事完了時間の間に優先順位を付与し, 両者のトレードオフを特徴付ける分析結果を与える。 100ノードクラスタ上のSparkプロトタイプは、$texttPCAPS$の適度な設定によって、クラスタ全体の効率に大きな影響を与えることなく、炭素フットプリントを最大32.9%削減できることを示している。
  論文  参考訳（メタデータ） (2025-02-13T19:06:10Z)
• 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)
• 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)
• 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)
• EcoLearn: Optimizing the Carbon Footprint of Federated Learning [1.4257277178729617]
  Federated Learning (FL)は、データ転送オーバーヘッドを低減し、データのプライバシを保護するために、エッジデバイスに機械学習(ML)トレーニングを分散する。 FLモデルトレーニングは数百のデバイスにまたがる可能性がある。 FLのカーボンフットプリントを最小化するEcoLearnを設計し、モデル精度やトレーニング時間に大きな影響を与えない。
  論文  参考訳（メタデータ） (2023-10-27T08:37:10Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• 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)

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。