論文の概要: Choosing to Be Green: Advancing Green AI via Dynamic Model Selection

• arxiv url: http://arxiv.org/abs/2509.19996v1
• Date: Wed, 24 Sep 2025 11:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.78625
• Title: Choosing to Be Green: Advancing Green AI via Dynamic Model Selection
• Title（参考訳）: グリーンになるための選択 - ダイナミックモデル選択によるグリーンAIの促進
• Authors: Emilio Cruciani, Roberto Verdecchia,
• Abstract要約: Green AIのダイナミックモデル選択は、最も持続可能なモデルを選択することで、AIの環境フットプリントを削減することを目的としている。 以上の結果から,グリーンAIのダイナミックモデル選択により,最大25%の省エネが可能であり,かつ,最も省エネ性の高い解の精度を著しく維持できることがわかった。
• 参考スコア（独自算出の注目度）: 5.943461792835909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence is increasingly pervasive across domains, with ever more complex models delivering impressive predictive performance. This fast technological advancement however comes at a concerning environmental cost, with state-of-the-art models - particularly deep neural networks and large language models - requiring substantial computational resources and energy. In this work, we present the intuition of Green AI dynamic model selection, an approach based on dynamic model selection that aims at reducing the environmental footprint of AI by selecting the most sustainable model while minimizing potential accuracy loss. Specifically, our approach takes into account the inference task, the environmental sustainability of available models, and accuracy requirements to dynamically choose the most suitable model. Our approach presents two different methods, namely Green AI dynamic model cascading and Green AI dynamic model routing. We demonstrate the effectiveness of our approach via a proof of concept empirical example based on a real-world dataset. Our results show that Green AI dynamic model selection can achieve substantial energy savings (up to ~25%) while substantially retaining the accuracy of the most energy greedy solution (up to ~95%). As conclusion, our preliminary findings highlight the potential that hybrid, adaptive model selection strategies withhold to mitigate the energy demands of modern AI systems without significantly compromising accuracy requirements.
• Abstract（参考訳）: 人工知能はますますドメイン全体に浸透し、さらに複雑なモデルが印象的な予測性能を提供している。 しかし、この高速な技術進歩は、最先端のモデル(特にディープニューラルネットワークと大規模言語モデル)が相当な計算資源とエネルギーを必要とするため、環境コストに関係している。 本稿では,グリーンAIのダイナミックモデル選択の直感について述べる。これは,AIの環境フットプリントを低減し,潜在的な精度損失を最小限に抑えつつ,最も持続可能なモデルを選択することを目的とした,動的モデル選択に基づくアプローチである。 具体的には,予測タスク,利用可能なモデルの環境持続可能性,最適なモデルを動的に選択するための精度要件を考慮に入れた。 提案手法では,グリーンAI動的モデルカスケーディングとグリーンAI動的モデルルーティングという2つの異なる手法を提案する。 実世界のデータセットをベースとした実証実験例を用いて,本手法の有効性を実証する。 その結果,グリーンAIのダイナミックモデル選択により,最大25%の省エネが可能であり,最大95%の省エネ性解の精度を著しく維持できることがわかった。 結論として、我々の予備的な知見は、ハイブリッドで適応的なモデル選択戦略が、精度の要求を著しく損なうことなく、現代のAIシステムのエネルギー需要を緩和する可能性を浮き彫りにした。

関連論文リスト

• One Search Fits All: Pareto-Optimal Eco-Friendly Model Selection [5.8822780483882315]
  GREEN(Guided Recommendations of Energy-Efficient Networks)は,モデル構成を推奨する新しい推論時間アプローチである。 提案手法は,現在のエコ効率なニューラルアーキテクチャ探索手法の限界に直接対処する。 提案手法は,競争性能を確保しつつ,エネルギー効率の高い構成の同定に成功していることを示す。
  論文  参考訳（メタデータ） (2025-05-02T05:59:21Z)
• GreenAuto: An Automated Platform for Sustainable AI Model Design on Edge Devices [7.84674531814871]
  GreenAutoは、持続可能なAIモデル探索、生成、デプロイメント、評価のために設計されたエンドツーエンドの自動化プラットフォームである。 事前訓練されたカーネルレベルのエネルギー予測器は、全てのモデルにわたってエネルギー消費を推定し、より持続可能なソリューションに向けて探索を導くグローバルなビューを提供する。
  論文  参考訳（メタデータ） (2025-01-25T00:04:59Z)
• Green AI in Action: Strategic Model Selection for Ensembles in Production [2.464194460689648]
  複数のモデルからの予測を1つの予測に組み合わせたアンサンブル学習は、累積エネルギー消費によってこの問題を強化する。 本稿では,AI アンサンブルシステムにおいて,AI モデルの精度とエネルギー消費のバランスをとることの課題に対処する,モデル選択のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-21T18:57:43Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Maximum entropy exploration in contextual bandits with neural networks and energy based models [63.872634680339644]
  モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。 両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。 これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
  論文  参考訳（メタデータ） (2022-10-12T15:09:45Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Model Predictive Actor-Critic: Accelerating Robot Skill Acquisition with Deep Reinforcement Learning [42.525696463089794]
  Model Predictive Actor-Critic (MoPAC)は、モデル予測ロールアウトとポリシー最適化を組み合わせてモデルバイアスを軽減するハイブリッドモデルベース/モデルフリーメソッドである。 MoPACは最適なスキル学習を近似誤差まで保証し、環境との物理的相互作用を減らす。
  論文  参考訳（メタデータ） (2021-03-25T13:50:24Z)

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。