論文の概要: Modest, artistic, and radical solutions to the environmental impact of image-generating machine learning

• arxiv url: http://arxiv.org/abs/2606.19957v1
• Date: Thu, 18 Jun 2026 08:56:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.748515
• Title: Modest, artistic, and radical solutions to the environmental impact of image-generating machine learning
• Title（参考訳）: 画像生成機械学習の環境影響に対する質素で芸術的で急進的な解決策
• Authors: Laura U. Marks, Jess MacCormack, Kehui Li,
• Abstract要約: 機械学習はICTの効率を改善するためにしばしば使われるが、その小さな利益は、データセンターやML対応デバイスの巨大な炭素、水、陸地フットプリントに圧倒されている。 本稿では,機械学習アプリケーションのトレーニングと推論における消費電力を,電力集約画像生成に着目して調査する。 我々は,機械学習の環境影響の真にコストのかかる会計法を提案し,その効率性の基準はICTの株主資本の枠組みによってもたらされることを示唆する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is often touted to improve the efficiency of ICT, but that small gain is overwhelmed by the enormous carbon, water, and land footprints of data centers and ML-ready devices. We survey the electricity consumption of ML applications in training and inference, focusing on electricity-intensive image generation. Our team of a computer engineer, a media scholar, and an artist explore solutions including inexact computing; tiny language models; low-precision hardware architectures; hardware with limited capacity; and anticipating and mitigating energy demands at the design phase. We will sketch our work in progress of an ethical and aesthetically sophisticated tiny image generator using non-scraped data. Looking to the economic context, we will propose a true-cost accounting for the environmental impact of machine learning and suggest that the criterion of efficiency is driven by the shareholder-capitalist framing of ICT.
• Abstract（参考訳）: 機械学習はICTの効率を改善するためにしばしば使われるが、その小さな利益は、データセンターやML対応デバイスの巨大な炭素、水、陸地フットプリントに圧倒されている。 本稿では,機械学習アプリケーションのトレーニングと推論における消費電力を,電力集約画像生成に着目して調査する。 コンピュータ技術者、メディア学者、そしてアーティストのチームが、不正確なコンピューティング、小さな言語モデル、低精度のハードウェアアーキテクチャ、限られた能力を持つハードウェア、設計フェーズにおけるエネルギー需要の予測と緩和といったソリューションを探求しています。 非スクレイプデータを用いた倫理的で審美的に洗練された小さな画像生成装置の開発を進めていく。 経済状況について,機械学習の環境影響の真にコストのかかる会計法を提案し,ICTの株主資本の枠組みによって効率の基準が導かれることを示唆する。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Frugal Machine Learning for Energy-efficient, and Resource-aware Artificial Intelligence [13.783950035836593]
  FML(Frugal Machine Learning)とは、機械学習(ML)モデルを設計するプラクティスである。 FMLの戦略は、入力自由度、学習プロセス自由度、モデル自由度に大別できる。 この章では、FMLの最近の進歩、応用、オープンな課題について説明する。
  論文  参考訳（メタデータ） (2025-06-02T16:56:21Z)
• An optically accelerated extreme learning machine using hot atomic vapors [0.0]
  熱水蒸気を伝播する光の強い非線形特性とチューナブルな非線形特性とエクストリーム学習マシンモデルを組み合わせた新しい設計を提案する。 我々は、MNIST画像分類タスクにおいて、そのような自由空間非線形伝搬を用いたトレーニングの強化を数値的および実験的に示す。
  論文  参考訳（メタデータ） (2024-09-06T14:36:56Z)
• Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
  音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。 深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。 フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
  論文  参考訳（メタデータ） (2023-12-11T17:43:58Z)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Energy-frugal and Interpretable AI Hardware Design using Learning Automata [5.514795777097036]
  Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。 本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。 本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T15:11:18Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• Resource-Efficient Neural Networks for Embedded Systems [23.532396005466627]
  本稿では,機械学習技術の現状について概説する。 私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に基づく、リソース効率の高い推論に焦点を当てています。 我々は、圧縮技術を用いて、よく知られたベンチマークデータセットの実験で議論を裏付ける。
  論文  参考訳（メタデータ） (2020-01-07T14:17:09Z)

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。