論文の概要: Standardized Methods and Recommendations for Green Federated Learning

• arxiv url: http://arxiv.org/abs/2602.00343v1
• Date: Fri, 30 Jan 2026 21:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.126506
• Title: Standardized Methods and Recommendations for Green Federated Learning
• Title（参考訳）: グリーンフェデレーション学習のための標準化手法と勧告
• Authors: Austin Tapp, Holger R. Roth, Ziyue Xu, Abhijeet Parida, Hareem Nisar, Marius George Linguraru,
• Abstract要約: フェデレートラーニング(FL)は、プライバシに敏感な分散データに対する協調モデルトレーニングを可能にするが、その環境への影響は研究全体で比較することは困難である。 NVIDIA NVFlare と CodeCarbon を用いた FL CO2e 追跡のための実用的な炭素計数手法を提案する。
• 参考スコア（独自算出の注目度）: 4.07505182773706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated learning (FL) enables collaborative model training over privacy-sensitive, distributed data, but its environmental impact is difficult to compare across studies due to inconsistent measurement boundaries and heterogeneous reporting. We present a practical carbon-accounting methodology for FL CO2e tracking using NVIDIA NVFlare and CodeCarbon for explicit, phase-aware tasks (initialization, per-round training, evaluation, and idle/coordination). To capture non-compute effects, we additionally estimate communication emissions from transmitted model-update sizes under a network-configurable energy model. We validate the proposed approach on two representative workloads: CIFAR-10 image classification and retinal optic disk segmentation. In CIFAR-10, controlled client-efficiency scenarios show that system-level slowdowns and coordination effects can contribute meaningfully to carbon footprint under an otherwise fixed FL protocol, increasing total CO2e by 8.34x (medium) and 21.73x (low) relative to the high-efficiency baseline. In retinal segmentation, swapping GPU tiers (H100 vs.\ V100) yields a consistent 1.7x runtime gap (290 vs. 503 minutes) while producing non-uniform changes in total energy and CO2e across sites, underscoring the need for per-site and per-round reporting. Overall, our results support a standardized carbon accounting method that acts as a prerequisite for reproducible 'green' FL evaluation. Our code is available at https://github.com/Pediatric-Accelerated-Intelligence-Lab/carbon_footprint.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライバシに敏感な分散データに対する協調的なモデルトレーニングを可能にするが、不整合測定境界と異種報告のために、その環境への影響を比較することは困難である。 本研究では, NVIDIA NVFlare と CodeCarbon を用いた FL CO2e 追跡のための実践的炭素計測手法を提案する。 さらに,ネットワーク構成可能なエネルギーモデルの下で,送信されたモデル更新サイズから通信エミッションを推定する。 提案手法は,CIFAR-10画像分類と網膜光ディスクセグメンテーションである。 CIFAR-10では、制御されたクライアント効率シナリオにより、システムレベルの減速と調整効果が、他の固定されたFLプロトコルの下での炭素フットプリントに有意に寄与し、CO2eの合計は8.34x(medium)、21.73x(low)となる。 網膜セグメンテーションでは、GPU層(H100 vs。 V100)は、一貫した1.7倍のランタイムギャップ(290対503分)を得ると同時に、サイト全体の総エネルギーとCO2eを均一に変化させ、サイトごとのレポートとラウンドごとのレポートの必要性を裏付ける。 本研究は, 再生可能な"グリーン"FL評価の前提条件として, 標準化された炭素会計法をサポートする。 私たちのコードはhttps://github.com/Pediatric-Accelerated-Intelligence-Lab/carbon_footprint.comで公開しています。

関連論文リスト

• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• CarboFormer: A Lightweight Semantic Segmentation Architecture for Efficient Carbon Dioxide Detection Using Optical Gas Imaging [4.567122178196833]
  二酸化炭素排出量(CO$$)は、環境影響と産業プロセスの両方の重要な指標である。 光ガスイメージング(OGI)のための軽量セマンティックセグメンテーションフレームワークCarboFormerを紹介する。 提案手法は,最適化エンコーダデコーダアーキテクチャと,特殊なマルチスケール機能融合と補助監視戦略を統合したものである。
  論文  参考訳（メタデータ） (2025-05-23T18:01:42Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Token Compensator: Altering Inference Cost of Vision Transformer without Re-Tuning [63.43972993473501]
  視覚変換器(ViT)の訓練と推論を高速化するトークン圧縮 しかし、下流タスクに適用した場合、圧縮度はトレーニングと推論の段階で不一致となる。 本稿では,2段階間の圧縮度を分離するモデル演算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T10:36:43Z)
• 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)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• 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)
• Green Federated Learning [7.003870178055125]
  Federated Learning(FL)は、分散エンティティのデータを使用して集中型モデルをトレーニングする機械学習技術である。 FLは、多様なエネルギー源を持つ数億ものグローバル分散エンドユーザーデバイスを活用することができる。 提案するグリーンFLの概念は, FLパラメータを最適化し, 二酸化炭素排出量を最小化するための設計選択を行うものである。
  論文  参考訳（メタデータ） (2023-03-26T02:23:38Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)

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。