論文の概要: The Hidden Environmental Cost of Poor Coding Practices in TensorFlow and Keras Applications: A Study on Resource Leaks and Carbon Emissions
- arxiv url: http://arxiv.org/abs/2606.19799v1
- Date: Thu, 18 Jun 2026 05:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.658129
- Title: The Hidden Environmental Cost of Poor Coding Practices in TensorFlow and Keras Applications: A Study on Resource Leaks and Carbon Emissions
- Title（参考訳）: TensorFlowおよびKerasアプリケーションにおける粗悪なコーディング実践の隠れた環境コスト:資源リークと二酸化炭素排出に関する研究
- Authors: Bashar Abdallah, Gustavo Santos, Rola Al Bataineh, Alain Abran, Mohammad Hamdaqa,
- Abstract要約: 機械学習(ML)コードにおけるリソースリークは、エネルギー消費とCO2排出量を増加させる隠れた非効率を導入することができる。
本稿では,Improper Reuse Model (IMR) と Unreleased References (UTR) の2つの一般的な資源リーク臭について検討する。
予備的な結果から, いずれの匂いも推定電力使用量とCO2排出量を継続的に増加させることがわかった。
これらの結果は,資源漏れ臭がソフトウェアの品質と持続可能性の両方に測定可能なリスクをもたらすことを示唆している。
- 参考スコア（独自算出の注目度）: 0.26097841018267615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficiency and sustainability are critical considerations in the development and deployment of machine learning (ML) applications. Among the factors influencing sustainability, resource leaks in ML code can introduce hidden inefficiencies that elevate energy consumption and CO2 emissions. Despite this, empirical evidence quantifying their environmental impact remains limited. This emerging results paper presents an initial empirical investigation of two common resource-leak smells, namely Improper Model Reuse (IMR) and Unreleased Tensor References (UTR), and their impact on energy consumption and CO2 emissions in TensorFlow and Keras workloads. Controlled experiments were conducted for each smell by executing identical training tasks while comparing against a smell-free baseline. Our preliminary results show that both smells consistently increase estimated electricity usage and carbon emissions. IMR and UTR increased electricity consumption by approximately 32% and 46%, respectively, with proportional increases in CO2 emissions. Paired statistical tests indicate that these differences are systematic and statistically significant, providing initial empirical evidence that resource-leak smells may degrade ML energy efficiency and environmental sustainability. These findings suggest that resource-leak smells pose measurable risks to both software quality and sustainability, emphasizing the importance of integrating resource-lifecycle management and energy-efficiency considerations into ML development.
- Abstract（参考訳）: 機械学習(ML)アプリケーションの開発とデプロイにおいて、効率性と持続性は重要な考慮事項である。
持続可能性に影響を与える要因の1つとして、MLコードのリソースリークは、エネルギー消費とCO2排出量を増加させる隠れた非効率を導入する可能性がある。
それにもかかわらず、環境への影響を定量化する実証的な証拠は依然として限られている。
本論文は,Improper Model Reuse (IMR) と Unreleased Tensor References (UTR) という2つの一般的なリソースリークの匂いと,TensorFlow および Keras ワークロードにおけるエネルギー消費と CO2 排出に与える影響について,実証的研究を行った。
臭気のないベースラインと比較しながら同一のトレーニングタスクを実行し,各匂いに対する制御実験を行った。
予備的な結果から, 両者の匂いは電気利用量や二酸化炭素排出量を継続的に増加させることがわかった。
IMRとUTRはそれぞれ約32%と46%の電力消費を増加させ、CO2排出量は比例的に増加した。
Paired statistics testは、これらの違いが体系的かつ統計的に有意であることを示し、資源漏れの匂いがMLエネルギー効率と環境持続可能性を低下させるという実験的な証拠を提供する。
これらの結果は,資源リーク臭がソフトウェアの品質と持続可能性の両方に測定可能なリスクをもたらすことを示唆し,資源ライフサイクル管理とエネルギー効率を考慮したML開発の重要性を強調した。
関連論文リスト
- 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) - Deep Learning-Enhanced for Amine Emission Monitoring and Performance Analysis in Industrial Carbon Capture Plants [0.6533091401094101]
本研究では, 燃焼後炭素捕獲システムにおいて, アミン排出量の予測とモニタリングのためのデータ駆動深層学習モデルと, 主要な性能パラメータについて述べる。
放射予測のために、2-アミノ-2-メチル-1-プロパノール(AMP)とピペラジンの放射をFTIRおよびIMR-MS法で測定するモデルが設計された。
これらのモデルは99%を超える高い予測精度を達成し、安定した傾向と急激な変動の両方を効果的に追跡した。
論文 参考訳（メタデータ） (2025-09-05T16:57:54Z) - Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。
ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。
汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
論文 参考訳（メタデータ） (2025-03-13T01:50:50Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Reporting and Analysing the Environmental Impact of Language Models on the Example of Commonsense Question Answering with External Knowledge [7.419725234099729]
チャットGPTは大規模言語モデル(LLM)に社会的な関心を喚起した
LLMは相当な計算資源を必要としており、財政的にも環境的にも訓練に非常に費用がかかる。
本研究では,外部知識でT5 LLMを注入し,質問応答タスクのモデルを微調整した。
論文 参考訳（メタデータ） (2024-07-24T16:16:16Z) - Efficiency is Not Enough: A Critical Perspective of Environmentally Sustainable AI [9.079217351521413]
我々は、MLをより環境に持続可能なものにするために、効率性を超えて目を向けるべき時だと論じている。
本稿では,MLの効率と環境持続可能性に影響を及ぼす変数の相違点を3つ提示する。
論文 参考訳（メタデータ） (2023-09-05T09:07:24Z) - 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) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z)
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。