論文の概要: Evaluating End-User Device Energy Models in Sustainability Reporting of Browser-Based Web Services

• arxiv url: http://arxiv.org/abs/2510.12566v1
• Date: Tue, 14 Oct 2025 14:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.352257
• Title: Evaluating End-User Device Energy Models in Sustainability Reporting of Browser-Based Web Services
• Title（参考訳）: ブラウザベースのWebサービスのサステナビリティレポートにおけるエンドユーザーデバイスエネルギーモデルの評価
• Authors: Maja H. Kirkeby, Timmie Lagermann,
• Abstract要約: ウェブベースのサービスのサステナビリティレポートは、単純化されたエネルギーと炭素モデルに依存している。 本稿では,そのようなモデルが実際のエネルギー消費をいかに反映しているかを実証研究する。 その結果, 一般に適用されている定電力近似は, 測定エネルギーから大きく逸脱する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sustainability reporting in web-based services increasingly relies on simplified energy and carbon models such as the Danish Agency of Digital Government's Digst framework and the United Kingdom-based DIMPACT model. Although these models are widely adopted, their accuracy and precision remain underexplored. This paper presents an empirical study evaluating how well such models reflect actual energy consumption during realistic user interactions with common website categories. Energy use was measured across shopping, booking, navigation, and news services using predefined user flows executed on four laptop platforms. The results show that the commonly applied constant-power approximation (P * t) can diverge substantially from measured energy, depending on website category, device type, and task characteristics. The findings demonstrate that model deviations are systematic rather than random and highlight the need for category-aware and device-reflective power parameters in reproducible sustainability reporting frameworks.
• Abstract（参考訳）: ウェブベースのサービスの持続可能性レポートは、デンマーク政府のDigstフレームワークやイギリスのDIMPACTモデルのような単純化されたエネルギーと炭素モデルにますます依存している。 これらのモデルは広く採用されているが、精度と精度は未解明のままである。 本稿では,一般的なWebサイトカテゴリと現実的なユーザインタラクションにおいて,そのようなモデルが実際のエネルギー消費をいかに反映しているかを実証的に評価する。 4つのラップトッププラットフォーム上で実行される事前定義されたユーザフローを使用して、ショッピング、予約、ナビゲーション、ニュースサービス全体でエネルギー使用を測定した。 その結果, 定電力近似 (P * t) は, ウェブサイトのカテゴリ, デバイスタイプ, タスク特性に応じて, 測定エネルギーから大きく分散できることがわかった。 その結果、モデル偏差はランダムではなく体系的であり、再現可能なサステナビリティレポートフレームワークにおけるカテゴリ認識およびデバイス反射パワーパラメータの必要性を強調した。

関連論文リスト

• Comparing energy consumption and accuracy in text classification inference [0.9208007322096533]
  本研究は,テキスト分類推定におけるモデル精度とエネルギー消費のトレードオフを系統的に評価する。 精度の点で最高の性能モデルはエネルギー効率も良いが、より大きなLCMはより低い分類精度ではるかに多くのエネルギーを消費する傾向がある。
  論文  参考訳（メタデータ） (2025-08-19T18:00:08Z)
• Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
  本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。 さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
  論文  参考訳（メタデータ） (2025-03-31T10:28:04Z)
• Towards Sustainable Web Agents: A Plea for Transparency and Dedicated Metrics for Energy Consumption [4.614707355759162]
  本研究では,Webエージェントに関連するエネルギーとCO2コストについて検討する。 結果は、Webエージェント作成における異なる哲学が、関連する拡張エネルギーにどのように影響するかを示している。 我々の研究は、Webエージェントの評価における思考の変化を提唱し、エネルギー消費と持続可能性のための専用の指標を保証します。
  論文  参考訳（メタデータ） (2025-02-25T06:58:40Z)
• 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)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• A physics-based domain adaptation framework for modelling and forecasting building energy systems [5.8010446129208155]
  最先端の機械学習ベースのモデルは、建物内のエネルギー挙動のモデリングと予測に一般的な選択肢である。 しかし、それらの構造は、物理現象の制御と結びついた物理的・機械的構造を持たない。 我々はラベル付きデータの代わりに、熱伝達常微分方程式によって支配されるLTIの幾何学構造を利用する新しいSDA手法を導入する。
  論文  参考訳（メタデータ） (2022-08-19T17:27:39Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。