論文の概要: Exposing the Cost of Deep Learning Audio Development
- arxiv url: http://arxiv.org/abs/2610.01619v1
- Date: Thu, 01 Oct 2026 12:55:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.137923
- Title: Exposing the Cost of Deep Learning Audio Development
- Title（参考訳）: ディープ・ラーニング・オーディオ開発におけるコストの表出
- Abstract要約: 開発フェーズに必要なエネルギーは、最高のパフォーマンスモデルのみをトレーニングするために必要なエネルギーの3倍から256倍である。
これらの結果は、ディープラーニングベースのオーディオプロジェクトのライフサイクル全体にわたって、より体系的なエネルギー消費の報告を提唱している。
- 参考スコア（独自算出の注目度）: 24.79659407567392
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The environmental impact of deep learning has attracted increasing attention over the past decade. Existing studies mainly focus on the energy and carbon emissions of model training and inference, while the whole development phase is often overlooked. Yet, architecture prototyping and intensive experiments are conducted during this stage, which is highly energy-demanding. In this article, we propose a methodology to estimate these costs, based on activity logs from the Grid5000 shared computing platform used by the LORIA laboratory. As a case-study, we focus on audio projects developed in the Multispeech research team. We evaluate the overall energy cost of four projects, and we compare them to those of training the reported models. Our results show that the energy required for the development phase is 3 to 256 times greater than that required to train the best-performing model alone. These results advocate for a more systematic reporting of energy consumption across the entire life cycle of deep learning-based audio projects.
- Abstract（参考訳）: ディープラーニングの環境影響は、過去10年間で注目を集めている。
既存の研究は主にモデルトレーニングと推論のエネルギーと炭素排出量に焦点を当てているが、開発フェーズは見落とされがちである。
しかし、この段階では、高エネルギー需要のアーキテクチャプロトタイピングと集中的な実験が実施されている。
本稿では,LORIA研究室で使用されているGrid5000共有コンピューティングプラットフォームからのアクティビティログに基づいて,これらのコストを見積もる手法を提案する。
ケーススタディとして,Multispeech研究チームが開発した音声プロジェクトに注目した。
4つのプロジェクトの総エネルギーコストを評価し,報告したモデルと比較した。
その結果, 開発段階に必要なエネルギーは, 最高性能モデルのみを訓練するために必要なエネルギーの3倍から256倍であることがわかった。
これらの結果は、ディープラーニングベースのオーディオプロジェクトのライフサイクル全体にわたって、より体系的なエネルギー消費の報告を提唱している。
関連論文リスト
- The Hidden Cost of Thinking: Energy Use and Environmental Impact of LMs Beyond Pretraining [59.27959962602072]
Olmo 3は70億と32億のパラメータモデルからなるファミリーである。
モデル開発プロセスでは,12.3GWhのデータセンターエネルギーを消費し,4,251tCO2eqを放出し,15,887kLの水を消費した。
論文 参考訳（メタデータ） (2026-05-01T23:24:23Z) - Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。
モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
論文 参考訳（メタデータ） (2026-02-05T14:38:19Z) - How green is continual learning, really? Analyzing the energy consumption in continual training of vision foundation models [10.192658261639549]
本研究では,連続学習アルゴリズムのエネルギー効率を体系的に理解することを目的とする。
CIFAR-100, ImageNet-R, DomainNetの3つの標準データセットで実験を行った。
本稿では,エネルギー・正確性トレードオフの観点からアルゴリズムの効率を計測する新しい指標であるEnergy NetScoreを提案する。
論文 参考訳（メタデータ） (2024-09-27T11:50:10Z) - 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) - 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) - 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) - A Survey on Green Deep Learning [25.71572024291251]
本稿では,グリーンディープラーニング技術の発展を体系的にレビューすることに焦点を当てる。
提案手法は,(1)コンパクトネットワーク,(2)エネルギー効率のトレーニング戦略,(3)エネルギー効率の推論アプローチ,(4)データ利用率の4つのカテゴリに分類される。
論文 参考訳（メタデータ） (2021-11-08T16:55:03Z) - A Multi-Objective Approach for Sustainable Generative Audio Models [1.933681537640272]
近年、ディープラーニングコミュニティは、深層生成モデルの正確性に重点を置いている。
品質に関するこの科学的競争は、膨大な計算コストがかかる。
計算消費の現在の指数的な増加が続くと、人工知能は悲しいことに地球温暖化にかなりの貢献をする。
論文 参考訳（メタデータ） (2021-07-06T13:52:27Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T16:23:13Z) - 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。