← 論文一覧に戻る

SUSTAIN-VLM: Coordinated Data and Compute for Low-Carbon Vision Language Model Fine-Tuning

SUSTAIN-VLM: 低炭素ビジョン言語モデルファインチューニングのための調整されたデータと計算 (AI 翻訳)

Hassan Khan, Sunbal Iftikhar, Steven Davy, John G. Breslin

📚 査読済 / ジャーナル2026-04-21#省エネOrigin: Global
DOI: 10.1109/icassp55912.2026.11461984
原典: https://doi.org/10.1109/icassp55912.2026.11461984

🤖 gxceed AI 要約

日本語

SUSTAIN-VLMは、リアルタイムの炭素強度信号に基づいてデータ選択とモデル計算を協調適応させる枠組みを提案。炭素弾力的カリキュラムと排出適応型ノブを用い、制約付きRL制御器で最適化。精度をほぼ維持しつつ排出量を約52%削減。

English

SUSTAIN-VLM is a carbon-elastic framework that co-adapts data selection and model compute using real-time carbon intensity signals. It uses a carbon-elastic curriculum and emission-adaptive knobs, orchestrated by a constrained RL controller. It reduces emissions by ~52% while maintaining near-iso-accuracy.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本でもAI利用拡大に伴う計算エネルギー消費が課題。本手法はデータセンターのグリーン化やカーボンアウェアネスに示唆を与える。

In the global GX context

As AI compute grows, carbon-aware training frameworks like SUSTAIN-VLM offer practical pathways for reducing operational emissions in cloud and edge deployments.

👥 読者別の含意

🔬研究者:A carbon-elastic framework that dynamically adjusts data and compute for low-carbon VLM fine-tuning.

🏢実務担当者:Can be applied to reduce carbon footprint of AI training pipelines without sacrificing accuracy.

📄 抄録（日本語訳）

視覚・言語モデル（VLM）の訓練と微調整は多大なエネルギーを消費する一方、グリッドの炭素強度は時間と地域によって変動します。我々は、リアルタイムの炭素シグナル下で制約付き強化学習コントローラによって調整される、(i)炭素弾性カリキュラム（CEC）によるデータ選択と、(ii)排出適応型ノブ（EACK：解像度、精度、MoE top-k、LoRAランク、チェックポイント）によるモデル計算量を共適応させる、炭素弾性フレームワークであるSUSTAIN-VLMを提案します。SUSTAIN-VLMは、ほぼ同等の精度（Vanilla比-0.7ポイント）を達成しながら、Vanilla比で約52%、静的MoE比で約31%の排出量削減を実現し、最良の排出効率（%-精度あたりのkgCO<inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</inf>e）も示します。結果は、炭素条件全体にわたって何を訓練するかとどの程度の強度で訓練するかを調整することが、固定混合精度、静的MoE、時間帯スケジューリングなどの単一軸の戦略よりも優れていることを示しています。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

📄 Abstract（原文）

Training and fine-tuning vision–language models (VLMs) consume substantial energy, while grid carbon intensity varies by time and region. We present SUSTAIN-VLM, a carbon-elastic framework that co-adapts (i) data selection via a carbon-elastic curriculum (CEC) and (ii) model compute via emission-adaptive knobs (EACK: resolution, precision, MoE top-k, LoRA rank, checkpointing), orchestrated by a constrained RL controller under real-time carbon signals. SUSTAIN-VLM achieves near-iso-accuracy (–0.7 pts vs. Vanilla) while cutting emissions by ∼52% relative to Vanilla and ∼31% vs. static MoE; it also yields the best emission efficiency (kgCO<inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</inf>e per %-accuracy). Results indicate that coordinating what to train and how hard to train across carbon conditions outperforms single-axis strategies such as fixed mixed precision, static MoE, or time-of-day scheduling.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。