提出一种基于进化的采样框架，旨在识别适用于数据集和模型配对的精英训练样本，比较模型性能和能效增益，调查该框架对促进可持续模型训练实践的可行性。经实验验证，考虑到 10% 的精英训练样本，模型性能可以提升 50%，能源节约达 98%。

Feb, 2024

本文旨在通过实证研究来评估数据集修改对人工智能能源效率的影响。实验结果表明，可以通过仅对数据集进行修改（数据点数和特征数），显著降低（高达 92.16%）能耗并几乎不降低准确性。此外，本文还证明了通过更改算法能够实现节能（高达两个数量级）。研究成果呼吁进一步研究采用数据为中心技术，进一步推动绿色人工智能的普及。

Apr, 2022

通过最大化神经进化框架下人工神经网络模型的准确性和最小化功耗，本研究提出了一种新的变异策略，引入了模块层的随机重新引入，通过训练过程中同时训练两个模型以推动其中一个模型的功耗更低且准确性相似，结果表明功耗降低了 29.2%，但预测性能基本不受影响。

Jan, 2024

在本文中，我们提出了一种能够平衡应用目标与能耗的采用能量感知方法的自适应 AI 应用程序的设计和部署方法，通过元启发式搜索过程确定可用于自适应系统的配置集合，并使用加权灰色关联分析将最终的配置映射到自适应应用程序的操作模式，验证结果表明，我们的自适应应用程序在节省高达 81% 的能源的同时，仅在准确率上损失了 2% 至 6%。

Aug, 2023

通过对 98 个文献的分析，系统地回顾了绿色人工智能研究领域。大多数研究关注于 AI 模型的环境可持续性，包括监控 AI 模型的排放量、调整超参数以提高模型的可持续性，或者对模型进行基准测试。实验室实验是最常见的研究策略。报告的节能率高达 115％，其中节能 50％以上相当普遍。

Jan, 2023

本文介绍了两种基于人工智能的方法，即单个人工智能模型和集成人工智能模型的效果比较和分析，用于预测 Java 类存在错误的概率。实验结果表明，集成人工智能模型的性能优于单个人工智能模型，同时揭示了提升集成人工智能模型性能的因素，这为提高错误预测结果的可靠性提供了潜力。

Oct, 2023

能源优化、人工智能、实时监测、智能系统和能源供应是该研究论文的主要关键词和研究领域，并通过对 17 个不同研究方法的评估揭示了它们的优势和局限性，为未来的人工智能与能源消耗优化的整合指明了方向。

Jun, 2024

建立在生成式、多用途 AI 系统基础上的商业 AI 产品近年来越来越受欢迎，然而，由于这些系统所需的能源和排放的碳量的增加，这种 “通用性” 的雄心勃勃使环境付出了巨大代价。在这项工作中，我们首次对各类机器学习系统的持续推理成本进行了系统比较，既包括特定任务的（即执行单一任务的微调模型），也包括多任务的（即为多个任务训练的）“通用型” 模型。我们以执行 1000 次推理在典型基准数据集上所需的能源和碳排放作为部署成本进行度量。我们发现，就各种任务而言，相比于特定任务的系统，多用途、生成式结构的模型成本高出若干数量级，即便在控制模型参数数量时也是如此。我们最后讨论了部署多用途生成型机器学习系统的当前趋势，并警示应更加有意识地权衡其效用与能源和排放上升之间的成本。我们的研究数据可通过交互演示获得，以进行进一步探索和分析。

Nov, 2023

本文针对物联网设备上的机器学习模型能源消耗较大的问题，提出了一种基于决策树集成的动态集成算法，在保证准确率不降低的情况下，显著降低了能耗。

Jun, 2023

本研究旨在通过研究绿色机器学习，考察不同模型架构和超参数在训练和推理阶段中的能效实践，以提供可持续的机器学习操作的实用指南，强调降低能耗和碳足迹同时保持性能。

Jun, 2024