An efficient model training framework for green AI

Francesco Scala

doi:10.1007/s10994-025-06907-w

2025-11-11

Francesco Scala

Sergio Flesca *

Luigi Pontieri

DOI：10.1007/s10994-025-06907-w

原文链接

查看原文

摘要

En 中文

训练深度神经网络（DNNs）正被越来越广泛地认为是人工智能（AI）能耗足迹的主要贡献者。现有的数据集剪枝（DP）和主动学习（AL）技术虽然能减少训练数据量，但往往引入高成本计算，从而削弱其节能潜力。本文介绍了Play it Straight及其增强变体Re-Play it Straight，这两种自适应训练算法结合了随机子集采样与轻量级AL启发的实例选择。所提出的框架通过在小型、信息丰富的子集上增量式微调模型，在控制计算开销的同时实现了精度与能效的更好平衡。在多个基准数据集上的实验表明，与当前最先进的DP和AL方法相比，该方法显著降低了训练能耗，且Re-Play it Straight始终表现出更优的性能。这些结果突显了本方法在支持更可持续的深度学习实践方面的潜力，并有助于推动Green AI的更广泛目标。

Keyword:

Data pruning

Green-AI

Active learning

Energy efficiency

Sustainability