論文の概要: GaiaFlow: Semantic-Guided Diffusion Tuning for Carbon-Frugal Search

• arxiv url: http://arxiv.org/abs/2602.15423v1
• Date: Tue, 17 Feb 2026 08:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.01423
• Title: GaiaFlow: Semantic-Guided Diffusion Tuning for Carbon-Frugal Search
• Title（参考訳）: GaiaFlow: カーボンフルーガー検索のためのセマンティックガイド付き拡散チューニング
• Authors: Rong Fu, Wenxin Zhang, Jia Yee Tan, Chunlei Meng, Shuo Yin, Xiaowen Ma, Wangyu Wu, Muge Qi, Guangzhen Yao, Zhaolu Kang, Zeli Su, Simon Fong,
• Abstract要約: 提案するGaiaFlowは, セマンティック誘導拡散チューニングを動作させることにより, カーボンフルガル探索を容易にする革新的なフレームワークである。 本手法は,探索精度と環境保全のトレードオフを最適化するために,検索誘導ランゲヴィンダイナミクスの収束とハードウェアに依存しない性能モデリング戦略を編成する。
• 参考スコア（独自算出の注目度）: 11.74886368366703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the burgeoning power requirements of sophisticated neural architectures escalate, the information retrieval community has recognized ecological sustainability as a pivotal priority that necessitates a fundamental paradigm shift in model design. While contemporary neural rankers have attained unprecedented accuracy, the substantial environmental externalities associated with their computational intensity often remain overlooked in large-scale deployments. We present GaiaFlow, an innovative framework engineered to facilitate carbon-frugal search by operationalizing semantic-guided diffusion tuning. Our methodology orchestrates the convergence of retrieval-guided Langevin dynamics and a hardware-independent performance modeling strategy to optimize the trade-off between search precision and environmental preservation. By incorporating adaptive early exit protocols and precision-aware quantized inference, the proposed architecture significantly mitigates operational carbon footprints while maintaining robust retrieval quality across heterogeneous computing infrastructures. Extensive experimental evaluations demonstrate that GaiaFlow achieves a superior equilibrium between effectiveness and energy efficiency, offering a scalable and sustainable pathway for next-generation neural search systems.
• Abstract（参考訳）: 高度なニューラルアーキテクチャの急激なパワー要求がエスカレートするにつれて、情報検索コミュニティは、モデル設計における根本的なパラダイムシフトを必要とする重要な優先事項として、生態的な持続可能性を認識している。 現代のニューラルランサーは前例のない精度を達成したが、その計算強度に関連するかなりの環境外部性は、大規模な展開で見過ごされがちである。 提案するGaiaFlowは, セマンティック誘導拡散チューニングを動作させることにより, カーボンフルガル探索を容易にするために設計された, 革新的なフレームワークである。 本手法は,探索精度と環境保全のトレードオフを最適化するために,検索誘導ランゲヴィンダイナミクスの収束とハードウェアに依存しない性能モデリング戦略を編成する。 適応型早期退避プロトコルと精度の高い量子化推論を取り入れることで、提案アーキテクチャは、不均一なコンピューティング基盤間の堅牢な検索品質を維持しながら、運転中の炭素フットプリントを著しく軽減する。 大規模な実験により、GaiaFlowは効率性とエネルギー効率のバランスが良好であることを示し、次世代のニューラルサーチシステムにおいてスケーラブルで持続可能な経路を提供する。

関連論文リスト

• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification [0.7734726150561086]
  リサイクル可能な材料のミスクラス化は、埋立地の蓄積、非効率なリサイクル、温室効果ガスの排出の増加に寄与する。 本研究では、畳み込み特徴抽出、微分可能な自己組織化、スパイキングにインスパイアされた時間処理を統合したハイブリッドディープラーニングフレームワークであるHybridSOMSpikeNetを紹介する。
  論文  参考訳（メタデータ） (2025-10-23T15:47:09Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Generative Latent Diffusion Model for Inverse Modeling and Uncertainty Analysis in Geological Carbon Sequestration [13.20096931941432]
  地球温暖化対策として, 地質炭素隔離(GCS)が注目されている。 逆モデリングと不確実性定量化の既存の方法は計算集約的で一般化性に欠ける。 本稿では, 高速かつ不確実性を考慮したフォワードおよび逆モデリングのための生成フレームワークである, 条件付きニューラルネットワーク遅延拡散(CoNFiLD-geo)モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-17T23:26:47Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Machine Learning-Accelerated Multi-Objective Design of Fractured Geothermal Systems [17.040963667188525]
  本稿では, フラクチャードメディアにおける熱水シミュレーションと統合した, 能動学習による進化的多目的最適化アルゴリズムについて報告する。 ALEMO法は従来の進化法に比べて1～2桁の速度(10～100倍)で、必要なシミュレーションを著しく削減することを示した。
  論文  参考訳（メタデータ） (2024-11-01T10:39:23Z)
• Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning [17.00084254889438]
  高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。 触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
  論文  参考訳（メタデータ） (2024-04-18T18:11:06Z)
• 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)
• 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)

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。