論文の概要: A Game-Theoretic Framework for Incentive-Compatible AI training Under Renewable-Energy Constraints
- arxiv url: http://arxiv.org/abs/2609.15389v1
- Date: Mon, 14 Sep 2026 11:17:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.295328
- Title: A Game-Theoretic Framework for Incentive-Compatible AI training Under Renewable-Energy Constraints
- Title（参考訳）: 再生可能エネルギー制約下でのAI学習のためのゲーム理論フレームワーク
- Abstract要約: 我々は,自律エージェントが参加するかどうかを戦略的に選択する,炭素認識型AIトレーニングのゲーム理論モデルを開発した。
我々は、平衡の存在、効率、適応力学を分析し、適切に設計されたインセンティブがグリッドベースのエネルギー使用を排除できるというシミュレーションエビデンスを提供する。
- 参考スコア（独自算出の注目度）: 3.545733459773562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As artificial intelligence systems increasingly rely on distributed and collaborative training, the energy footprint of these processes becomes a shared responsibility. Modern AI training often unfolds across heterogeneous compute nodes-ranging from cloud clusters to edge devices-whose energy availability is spatially and temporally variable. At the same time, renewable energy grids experience growing levels of excess generation, creating opportunities to align computational workloads with low-carbon energy supply. In this work, we develop a game-theoretic model of carbon-aware AI training in which autonomous agents strategically choose whether to participate and how intensively to train under limited renewable energy availability. Each agent balances diminishing learning returns, rewards for remaining within green-energy budgets, and penalties for grid consumption. While our framework applies broadly to distributed AI training, we examine Federated Learning as a representative case study due to its decentralized structure and flexible scheduling. We analyze equilibrium existence, efficiency, and adaptive dynamics, and provide simulation evidence that appropriately designed incentives can eliminate grid-based energy usage while preserving model performance. Our findings demonstrate how incentive-compatible training mechanisms can enhance energy efficiency and sharply reduce carbon emissions under renewable-energy constraints.
- Abstract（参考訳）: 人工知能システムは、分散的かつ協調的なトレーニングにますます依存しているため、これらのプロセスのエネルギーフットプリントは共有責任となる。
現代のAIトレーニングは、クラウドクラスタからエッジデバイスに配列される異種計算ノードにわたって展開されることが多く、そのエネルギー可用性は空間的かつ時間的に変動する。
同時に、再生可能エネルギーグリッドは過剰発生のレベルを増大させ、計算ワークロードを低炭素エネルギー供給と整合させる機会を生み出している。
本研究では, 自律エージェントが参加するかどうかを戦略的に選択し, 限られた再生可能エネルギー利用率の下でのトレーニングを集中的に行う, 炭素認識型AIトレーニングのゲーム理論モデルを開発する。
各エージェントは、学習リターンの減少、グリーンエネルギー予算内に留まる報酬、グリッド消費に対する罰則のバランスをとる。
我々のフレームワークは分散AIトレーニングに広く適用されているが、分散構造と柔軟なスケジューリングのために、フェデレートラーニングを代表的なケーススタディとして検討している。
我々は、平衡の存在、効率、適応力学を分析し、モデル性能を維持しながら、適切に設計されたインセンティブがグリッドベースのエネルギー使用を排除できるというシミュレーションエビデンスを提供する。
本研究は, エネルギー効率を向上し, 再生可能エネルギー制約下での二酸化炭素排出量を激減させるインセンティブ適合型トレーニング機構について考察した。
関連論文リスト
- Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - Computation-aware Energy-harvesting Federated Learning: Cyclic Scheduling with Selective Participation [5.593872199021558]
本稿では,ユーザのバッテリレベルに基づいたサイクリッククライアント参加を用いた,バッテリを意識したEHFLフレームワークであるFedBacysを提案する。
クライアントをクラスタ化し、それらを逐次スケジューリングすることで、FedBacysは冗長な計算を最小化し、システム全体のエネルギー使用量を削減し、学習安定性を向上させる。
また、FedBacys-Oddというよりエネルギー効率のよい変種を導入し、クライアントを選択的に参加させ、パフォーマンスを損なうことなくエネルギーコストをさらに削減します。
論文 参考訳（メタデータ） (2025-11-14T23:46:48Z) - Environment-Aware Transfer Reinforcement Learning for Sustainable Beam Selection [3.2023814100005894]
本稿では、転送学習と強化学習(RL)を用いて、5Gおよびネットワークを越えたビーム選択を改善するための新しい持続的アプローチを提案する。
本稿では,gNodeBs(gNBs)とその周辺散乱体の位置を表す点雲として環境をモデル化することを提案する。
点雲間のチャンファー距離を計算することにより、構造的に類似した環境を効率的に同定し、転送学習による事前学習モデルの再利用を可能にする。
論文 参考訳（メタデータ） (2025-11-10T08:50:05Z) - 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) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Graph-Enhanced Model-Free Reinforcement Learning Agents for Efficient Power Grid Topological Control [0.24578723416255752]
本稿では,従来の知識を使わずに電力ネットワークの運用を最適化することを目的とした,強化学習のモデルフリーフレームワークにおける新しいアプローチを提案する。
提案手法は,停電に対するグリッド安定性を確保しつつ,一貫した電力損失削減を実現することを実証する。
論文 参考訳（メタデータ） (2025-03-26T16:20:30Z) - FedZero: Leveraging Renewable Excess Energy in Federated Learning [4.741052304881078]
Federated Learning(FL)は、データ共有なしでデータサイロやエッジデバイス間での分散モデルトレーニングを可能にする、新興の機械学習技術である。
FLのカーボンフットプリントを減らす1つのアイデアは、再生可能エネルギーの有効性に基づいてトレーニングジョブをスケジュールすることである。
本稿では,再生可能エネルギーと計算インフラの予備容量のみで動作するFLシステムであるFedZeroを提案する。
論文 参考訳（メタデータ） (2023-05-24T12:17:30Z) - 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) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
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。