机构名称：
¥ 1.0
培训大规模人工智能（AI）模型需要大量的计算能力和能量，从而导致碳足迹增加，并带来潜在的环境影响。本文深入研究了跨地理分布（地理分布）数据中心训练AI模型的挑战，强调了学习绩效与碳足迹之间的平衡。我们将联合学习（FL）视为解决方案，将模型参数交换优先于原始数据，从而确保数据隐私并遵守本地法规。鉴于各个地区的碳强度的可变性，我们提出了一个名为CAFE的新框架（碳吸引联合学习的缩写），以优化固定碳足迹预算内的培训。我们的方法结合了核心选择以评估学习绩效，采用Lya-punov漂移加上五型框架来解决未来碳强度的不可预测性，并设计有效的算法来解决数据中心选择的组合复杂性。通过使用现实世界中的碳强度数据进行广泛的模拟，我们证明了算法的功效，强调了其优于现有方法在优化学习性能的同时最小化环境影响的优势。
咖啡馆：地理分布数据中心中的碳意识联合学习
主要关键词
相关文件推荐
