精度を超えて：持続可能な機械学習のための多次元グリーンAIフレームワーク—SMSスパム検出におけるエネルギー、炭素、パフォーマンスのトレードオフ

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

🔬研究者:Provides empirical evidence and a multi-dimensional evaluation framework for Green AI research.

🏢実務担当者:Offers actionable guidelines for selecting ML models that minimize energy and carbon footprint in production environments.

🏛政策担当者:Informs potential standards or incentives for energy-efficient AI adoption.

これまで機械学習研究は主に予測精度に焦点を当てており、計算効率や環境への影響はしばしば軽視されてきた。本研究では、提案する多次元Green AIフレームワークを用いて、SMS Spam Collectionデータセット（5,169件のメッセージ）上で、古典的機械学習、アンサンブル学習、深層学習の手法を含む10モデルを評価した。このフレームワークは、モデルを3つの次元で考慮する：(i) 分類性能（MCCおよびF1スコア）、(ii) 運用効率（p95推論レイテンシ、RAM使用量、モデルサイズ）、(iii) 環境持続可能性（Wh単位のエネルギー消費量およびkg CO₂単位の炭素排出量）。結果は、精度と持続可能性の間に明確なトレードオフがあることを明らかにした。DistilBERTが最高の性能（精度99.13%、MCC 0.9603）を達成したものの、単純なモデルに対するその僅かな利点は、 substantialな環境的・計算的コストを伴う。総パイプライン時間はNaive Bayesの約1,720倍であり、学習時の炭素排出量は最も効率的なモデルの約1,000倍である。さらに、100万回の推論あたりのCO₂はロジスティック回帰の88倍である。対照的に、Naive Bayesやロジスティック回帰などの古典的モデルは、資源消費が大幅に少なく競争力のある性能を示し、一方、アンサンブル手法、特にXGBoostは、精度と効率のバランスの取れたトレードオフを提供した。これらの発見は、モデル選択が精度のみに依存すべきではなく、効率と環境への影響も考慮しなければならないことを強調している。これに基づき、本研究は、使用状況に応じたモデル選択のための実用的かつ環境に配慮したGreen AIフレームワークを提案し、モバイル/IoT環境向けの古典的モデル、エッジコンピューティング向けのアンサンブル手法、そしてより高い資源消費が許容されるクラウドベースのシステム向けの深層学習アプローチを支援する。

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 Until recently, machine learning research has primarily focused on prediction accuracy, often neglecting computational efficiency and environmental impact. In this study, 10 models encompassing classical machine learning, ensemble learning, and deep learning methods were evaluated on the SMS Spam Collection dataset (5,169 messages) using the proposed Multidimensional Green AI Framework. This framework considers models in three dimensions: (i) classification performance (MCC and F1-score), (ii) operational efficiency (p95 inference latency, RAM usage, and model size), and (iii) environmental sustainability (energy consumption in Wh and carbon footprint in kg CO₂). The results reveal a clear accuracy–sustainability trade-off. Although DistilBERT achieved the highest performance (99.13% accuracy, 0.9603 MCC), its marginal gains over simpler models come at a substantial environmental and computational cost. Total pipeline time is approximately 1,720 times longer than Naive Bayes, and training carbon emissions are approximately 1,000 times higher than the most efficient models. Furthermore, CO₂ per one million inferences is 88 times greater than Logistic Regression. In contrast, classical models such as Naive Bayes and Logistic Regression demonstrated competitive performance with significantly lower resource consumption, while ensemble methods, particularly XGBoost, offered a balanced trade-off between accuracy and efficiency. These findings highlight that model selection should not rely solely on accuracy, but must also consider efficiency and environmental impact. Accordingly, this study proposes a practical and environmentally aware Green AI framework for use-specific model selection, supporting classical models for mobile/IoT environments, ensemble methods for edge computing, and deep learning approaches for cloud-based systems where higher resource consumption is acceptable.

• openalex https://doi.org/10.1007/s00607-026-01706-0first seen 2026-07-01 05:02:15 · last seen 2026-07-01 05:03:14