Fugu-MT 論文翻訳(概要): Green BOA: Determining the environmental break-even point for ML-based data compression

論文の概要: Green BOA: Determining the environmental break-even point for ML-based data compression

arxiv url: http://arxiv.org/abs/2608.19994v2
Date: Fri, 21 Aug 2026 08:00:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:31.967891
Title: Green BOA: Determining the environmental break-even point for ML-based data compression
Title（参考訳）: グリーンBOA:MLベースのデータ圧縮における環境破壊点の決定
Abstract要約: 本稿では,MLに基づくデータ圧縮アルゴリズムの環境持続可能性の観点から,その破壊点について論じる。 MLトレーニングや推論に必要なインフラの炭素等価性の推定値と,ディスクストレージ要件の低減による炭素等価性の推定値を比較した。
参考スコア（独自算出の注目度）: 6.85829823160893
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We summarise the outcome of two summer internship projects based at the University of Manchester, focused on the break-even point in terms of environmental sustainability for ML-based data compression algorithms. Using the example of a ML-based lossless compression algorithm, we compare estimates for the carbon-equivalent of the infrastructure needed for ML training and inference with the carbon-equivalent savings from reduced disk storage requirements, and discuss their break-even point.
Abstract（参考訳）: 我々は,マンチェスター大学を拠点とした2つの夏季インターンシッププロジェクトの成果を要約し,MLベースのデータ圧縮アルゴリズムの環境持続可能性の観点からのブレークスルー点に着目した。 MLベースのロスレス圧縮アルゴリズムの例を用いて、MLトレーニングに必要なインフラストラクチャの炭素等価性とディスクストレージの削減による炭素等価性の推定を比較し、その破壊点について議論する。

関連論文リスト

COMI: Coarse-to-fine Context Compression via Marginal Information Gain [28.75695496228666]
大きな言語モデル(LLM)は、様々なタスクにまたがる例外的な機能を示している。コンテキスト圧縮法は、入力長を大幅に削減し、冗長性をなくすことによってこれらの課題に対処する。粗粒度適応型文脈圧縮フレームワークCOMIを提案する。
論文参考訳（メタデータ） (2026-02-02T06:57:22Z)
Sentence-Anchored Gist Compression for Long-Context LLMs [3.4406991639518307]
事前学習した大規模言語モデルは,性能劣化の少ない2倍から8倍の因子で文脈を圧縮するように微調整できることを示す。提案手法は, 圧縮比を高くしながら, 代替圧縮技術と同等の結果を得る。
論文参考訳（メタデータ） (2025-11-11T11:34:32Z)
AnyPcc: Compressing Any Point Cloud with a Single Universal Model [8.594341592756654]
ディープラーニングベースのポイントクラウドジオメトリ圧縮において、一般化は依然として重要な課題である。ユニバーサルポイントクラウド圧縮フレームワークであるAnyPccを紹介します。 15の多様なデータセットのベンチマークの実験では、AnyPccが新たな最先端のクラウド圧縮を設定することが確認されている。
論文参考訳（メタデータ） (2025-10-23T08:28:41Z)
Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。 Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
論文参考訳（メタデータ） (2025-09-28T13:27:38Z)
Semantic Retention and Extreme Compression in LLMs: Can We Have Both? [0.0]
LLM(Large Language Model)デプロイメントでは,効率的なモデル圧縮技術の必要性が高まっている。我々は, プルーニングと量子化を戦略的に組み合わせることで, 高い性能・圧縮比が得られることを示す。本稿では,モデル圧縮と意味保存のトレードオフを定量化する新しい指標であるセマンティック保持圧縮率(SrCr)を紹介する。
論文参考訳（メタデータ） (2025-05-12T07:23:19Z)
PIS: Linking Importance Sampling and Attention Mechanisms for Efficient Prompt Compression [3.6268731121741067]
大規模言語モデル(LLM)は目覚ましい進歩を遂げ、様々な自然言語処理タスクにまたがる前例のない能力を示している。既存のプロンプト圧縮法は、トラルニケーションや抽象的な要約技術に依存している。本稿では,重要なトークンをサンプリングすることによってプロンプトを動的に圧縮する新しい圧縮フレームワークであるPrompt Importance Smpling(PIS)を紹介する。
論文参考訳（メタデータ） (2025-04-23T09:53:01Z)
Towards Economical Inference: Enabling DeepSeek's Multi-Head Latent Attention in Any Transformer-based LLMs [92.7279890407059]
MLA(Multi-head Latent Attention)は、効率的かつ経済的推論を保証するために設計された革新的なアーキテクチャである。本稿では,マルチヘッドアテンションからMLAへの移行のための,データ効率の良いファインチューニング手法を提案する。
論文参考訳（メタデータ） (2025-02-20T18:50:42Z)
LoRC: Low-Rank Compression for LLMs KV Cache with a Progressive Compression Strategy [59.1298692559785]
キーバリュー(KV)キャッシュは、トランスフォーマーベースの自己回帰型大言語モデル(LLM)を提供する上で重要なコンポーネントである。この問題を緩和するためのアプローチとしては、(1) アップサイクルステージに統合された効率的な注意変動、(2) テスト時のKVキャッシュ圧縮、(3) テスト時のKVキャッシュ圧縮がある。そこで我々は,KV重み行列の低ランク近似を提案し,モデル再学習なしに既存のトランスフォーマーベースLCMとのプラグイン統合を実現する。本手法は,テスト段階におけるアップサイクリング段階のモデルチューニングやタスク固有のプロファイリングを伴わずに機能するように設計されている。
論文参考訳（メタデータ） (2024-10-04T03:10:53Z)
RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation [74.47709320443998]
RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。 RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
論文参考訳（メタデータ） (2023-08-10T03:14:19Z)
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)
Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
論文参考訳（メタデータ） (2020-05-08T05:09:08Z)

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。