Energy-Aware Explainable AI Framework for Sustainable Cloud Computing: A Novel Approach to Green Machine Learning with Real-Time Carbon Footprint Optimization
持続可能なクラウドコンピューティングのためのエネルギー認識型説明可能AIフレームワーク：リアルタイムカーボンフットプリント最適化を備えたグリーンマシンラーニングへの新しいアプローチ (AI 翻訳)
Akey Sungheetha, Kayapati Rajagopal
🤖 gxceed AI 要約
日本語
本論文は、クラウドコンピューティング環境におけるエネルギー消費とカーボンフットプリントを最適化するEnergy-Aware Explainable AI (EA-XAI)フレームワークを提案する。SHAP値を用いたリアルタイムの説明可能性と、動的リソース割り当てにより、エネルギー消費を34.7%削減し、CO2排出量を月2.1トン削減、運営コストを41.6%削減する。モデル精度94.2%を維持しつつ、モデルサイズを67.8%圧縮する。
English
This paper proposes an Energy-Aware Explainable AI (EA-XAI) framework for sustainable cloud computing that optimizes energy consumption and carbon footprint. It achieves 34.7% energy reduction, 2.1 tons/month CO2 reduction, and 41.6% cost savings while maintaining 94.2% model accuracy. Real-time explanations are provided via SHAP values with 12.3ms latency. The framework also compresses model size by 67.8%.
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
日本ではデータセンターの電力消費が増加しており、本フレームワークはグリーンコンピューティングの実装に貢献する。特に、再生可能エネルギー利用率87.3%の達成は、日本のエネルギー転換政策と整合する。
In the global GX context
Globally, the push for sustainable AI and carbon-aware computing makes this framework timely. It offers a concrete approach to reducing carbon emissions in cloud operations, aligning with net-zero goals and ESG metrics.
👥 読者別の含意
🔬研究者:This paper provides a novel integration of explainable AI with carbon footprint optimization, offering benchmarks for green machine learning research.
🏢実務担当者:Cloud providers and data center operators can adopt the EA-XAI framework to reduce energy costs and carbon emissions while maintaining model interpretability.
🏛政策担当者:Policymakers focused on ICT sector decarbonization can reference this framework as a practical example of AI-driven emission reductions.
📄 Abstract（原文）
This research introduces a novel Energy-Aware Explainable AI (EA-XAI) framework that integrates carbon footprint optimization with interpretable machine learning for sustainable cloud computing environments. The proposed system achieves a remarkable 34.7% reduction in energy consumption while maintaining model accuracy at 94.2% and providing realtime explanations with SHAP values computed in $\mathbf{1 2. 3 m s}$ average latency. The framework incorporates green computing principles through dynamic resource allocation algorithms that optimize carbon emissions (CO reduction of 2.1 tons/month), renewable energy utilization efficiency of 87.3%, and cost optimization achieving 41.6% reduction in operational expenses. The methodology addresses critical challenges in sustainable AI deployment by implementing novel carbon-aware scheduling algorithms, energy-efficient model compression techniques achieving 67.8% model size reduction, and transparent decision-making processes suitable for industrial applications requiring regulatory compliance and environmental sustainability certifications.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://doi.org/10.1109/icmcsi67283.2026.11412442first seen 2026-05-15 20:07:55 · last seen 2026-06-08 05:16:21
🔔 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。