Fugu-MT 論文翻訳(概要): Assessing the Energy and Carbon Emissions of Neural Speaker Verification Model in Training and Inference

論文の概要: Assessing the Energy and Carbon Emissions of Neural Speaker Verification Model in Training and Inference

arxiv url: http://arxiv.org/abs/2606.08087v1
Date: Sat, 06 Jun 2026 10:23:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-09 14:42:05.767768
Title: Assessing the Energy and Carbon Emissions of Neural Speaker Verification Model in Training and Inference
Title（参考訳）: 学習・推論におけるニューラルネットワーク検証モデルのエネルギー・炭素排出評価
Authors: Hugo Leguillier, Driss Matrouf, Guillaume Lechien, Mickael Rouvier,
Abstract要約: VoxCeleb2でトレーニングしたResNetアーキテクチャのエネルギー消費と炭素フットプリントを測定した。その結果、より深いモデルやより広いモデルでは、エネルギー消費が急上昇する一方、限界精度の向上しか得られないことがわかった。これらの知見はエネルギー効率の高いSVシステムを設計するための実用的なガイドラインを提供する。
参考スコア（独自算出の注目度）: 6.8167913328808405
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep-learning speaker verification (SV) increasingly relies on deep neural network backbones, whose environmental impact remains largely undocumented. In this paper, we conduct an evaluation of ResNet architectures trained on VoxCeleb2, varying depth, channel width, and stage distribution, and measure energy consumption and carbon footprint using node-level sensors. Results show a clear point of diminishing returns: deeper or wider models bring only marginal accuracy gains while energy consumption grows steeply. In contrast, mid-sized networks such as ResNet-50 and stage-concentrated variants achieve favorable trade-offs between performance and environmental impact. These findings provide actionable guidelines for designing energy-efficient SV systems.
Abstract（参考訳）: ディープラーニング話者検証(SV)は、環境の影響はほとんど文書化されていないディープニューラルネットワークのバックボーンに依存している。本稿では,VoxCeleb2でトレーニングしたResNetアーキテクチャ,深さ,チャネル幅,ステージ分布を評価し,ノードレベルのセンサを用いてエネルギー消費と炭素フットプリントを測定する。より深いモデルやより広いモデルでは、エネルギー消費が急上昇する一方、限界的な精度の向上しか得られない。対照的に、ResNet-50やステージ集中型のような中規模のネットワークは、パフォーマンスと環境への影響のトレードオフを良好に実現している。これらの知見はエネルギー効率の高いSVシステムを設計するための実用的なガイドラインを提供する。

関連論文リスト

Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。 Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
論文参考訳（メタデータ） (2026-04-10T02:58:46Z)
Towards eco friendly cybersecurity: machine learning based anomaly detection with carbon and energy metrics [0.17476892297485447]
本研究では,機械学習に基づくネットワークモニタリングをリアルタイムな炭素・エネルギー追跡と統合する,エコ認識異常検出フレームワークを提案する。我々は、エネルギー、炭素、性能の異なるロジスティック回帰、ランダムフォレスト、サポートベクトルマシン、隔離フォレスト、XGBoostモデルをベンチマークする。その結果、最適化されたランダムフォレストと軽量なロジスティック回帰モデルが最もエコ効率が高く、XGBoostと比較してエネルギー消費量が40%以上減少していることがわかった。
論文参考訳（メタデータ） (2025-12-31T14:36:57Z)
INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks [51.76364085699241]
INSPIRE-GNNは、センサ配置を最適化し、データスパース環境でのリンクレベルの自転車体積推定を改善するために設計された、新しい強化学習型ハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。我々のフレームワークは,Mean Squared Error(MSE),Root Mean Squared Error(RMSE),Mean Absolute Error(MAE)など,従来のセンサ配置法よりも優れていた。 InSPIRE-GNNの自転車容積推定性能における標準機械学習モデルとディープラーニングモデルとのベンチマークを行い,その有効性を実証した。
論文参考訳（メタデータ） (2025-07-31T20:00:35Z)
Measuring the Energy Consumption and Efficiency of Deep Neural Networks: An Empirical Analysis and Design Recommendations [0.49478969093606673]
BUTTER-Eデータセットは、BUTTER Empirical Deep Learningデータセットの拡張である。このデータセットは、データセットのサイズ、ネットワーク構造、エネルギー使用の複雑な関係を明らかにする。本稿では,ネットワークサイズ,コンピューティング,メモリ階層を考慮した,単純かつ効率的なエネルギーモデルを提案する。
論文参考訳（メタデータ） (2024-03-13T00:27:19Z)
Uncovering Energy-Efficient Practices in Deep Learning Training: Preliminary Steps Towards Green AI [8.025202812165412]
我々は、エネルギー消費を精度に等しい重要性の指標とみなし、無関係なタスクやエネルギー使用量を減らす。持続可能性の観点から深層学習パイプラインの訓練段階について検討する。ディープラーニングモデルをトレーニングするための革新的で有望なエネルギー効率のプラクティスを強調します。
論文参考訳（メタデータ） (2023-03-24T12:48:21Z)
Energy Efficiency of Training Neural Network Architectures: An Empirical Study [11.325530936177493]
ディープラーニングモデルの評価は、伝統的に精度、F1スコア、関連する指標などの基準に焦点を当ててきた。このようなモデルを訓練するために必要な計算は、大きな炭素フットプリントを必要とする。本研究では, DLモデルアーキテクチャと環境影響との関係を, エネルギー消費の観点から検討した。
論文参考訳（メタデータ） (2023-02-02T09:20:54Z)
Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文参考訳（メタデータ） (2022-11-15T13:00:25Z)
Energy Consumption of Neural Networks on NVIDIA Edge Boards: an Empirical Model [6.809944967863927]
近年、レイテンシの低減とデータプライバシの保護のために、ディープラーニング推論タスクの実行を、ユーザに近いネットワークのエッジにシフトする傾向があります。本研究では,現代のエッジノードにおける推論タスクのエネルギ消費をプロファイリングすることを目的とする。そこで我々は, 検討ボード上である推論タスクのエネルギー消費を推定できる, 単純で実用的なモデルを構築した。
論文参考訳（メタデータ） (2022-10-04T14:12:59Z)
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)
Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing its Gradient Estimator Bias [62.43908463620527]
実際には、EPはMNISTよりも難しい視覚タスクにスケールしない。我々は、有限なヌーディングの使用に固有のEPの勾配推定のバイアスがこの現象に責任があることを示しています。これらの結果は、EPをディープニューラルネットワークにおける誤差勾配を計算するスケーラブルなアプローチとして強調し、ハードウェア実装を動機付けている。
論文参考訳（メタデータ） (2021-01-14T10:23:40Z)
Deep Speaker Embeddings for Far-Field Speaker Recognition on Short Utterances [53.063441357826484]
深層話者埋め込みに基づく話者認識システムは,制御条件下での大幅な性能向上を実現している。制御されていない雑音環境下での短い発話に対する話者検証は、最も困難で要求の高いタスクの1つである。本稿では,a)環境騒音の有無による遠距離話者検証システムの品質向上,b)短時間発話におけるシステム品質劣化の低減という2つの目標を達成するためのアプローチを提案する。
論文参考訳（メタデータ） (2020-02-14T13:34:33Z)

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。