本文将研究基于机器学习的模型，以估算尚未报告温室气体排放的公司的范围 1 和范围 2 的温室气体排放。该模型具有透明度和完全适应性，并且能够为大量公司估算排放，具有良好的出样本全球性能，在按行业、按国家或按营业额桶进行评估时具有好的出样本粒度性能。同时，该模型还比其他提供者的估算结果更准确，并且使用 Shapley 值提供了可解释性工具，用户能够了解每个特定公司的温室气体排放分解因素。
Dec, 2022
本文提出了一个机器学习排放计算器工具，并阐述了影响神经网络训练中所产生的碳排放量的重要因素有哪些，以及个人从业者和组织可以采取的具体行动来减少排放。
Oct, 2019
本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。
Nov, 2022
通过采用四种最佳实践方法能将机器学习的培训能源降低 100 倍及 CO2 排放量降低 1000 倍。如果整个机器学习领域采用最佳实践，将会减少训练的碳排放量。因此，我们建议机器学习论文中应当明确列出碳排放数据以促进关于模型质量以外的更广泛的竞争。
Apr, 2022
介绍了针对机器学习模型训练期间能源消耗量的多种在线和软件工具，并对这些工具的特定词汇、技术要求进行了评估和比较，并提供了一些建议。
Jun, 2023
该论文介绍了一个名为 eco2AI 的开源工具，可以帮助科学家跟踪深度神经网络模型训练和推理的能量消耗和等效二氧化碳排放，并鼓励研究社区寻找具有较低计算成本的新型人工智能（AI）架构，并建立可持续 AI 和绿色 AI 的路径。
Jul, 2022
该研究评估了大规模语言模型的二氧化碳排放，并提出减少碳排放的措施，探讨了硬件选择对二氧化碳排放的影响。基于结果，提出了培训更环境友好的人工智能模型的可能性，并认为可以在不牺牲其鲁棒性和性能的情况下实现。
Apr, 2024
通过引入一种功能框架，我们可以实现实时跟踪机器学习的能源消耗和碳排放，并生成标准化的在线附录。利用此框架，我们创建了一个能源高效强化学习算法排行榜，以激励负责任的研究，并提出了减少碳排放和节约能源的策略，以推动机器学习领域的可持续发展。
Jan, 2020
本研究使用世界银行数据集，通过采用机器学习技术对未来十年二氧化碳排放情况进行预测，并对决策树、线性回归、随机森林和支持向量机等不同机器学习模型在相似数据集上的预测表现进行比较。
介绍了机器学习如何在减少温室气体排放和帮助社会适应气候变化方面发挥重要作用。提出了许多合作机会和有前途的商业机会，并呼吁机器学习社区为应对气候变化加入全球行动。
Jun, 2019