CA‑FCSは、フェデレーテッドラーニングで各クライアントの実際のカーボン排出量を見積もり、低排出クライアントを優先選択する新しい手法である。Google Pixelスマートフォンで測定した実測エネルギーモデルと、電力網の時間帯ごとのカーボン集度を組み合わせることで、 各デバイスがローカル学習中に排出するカーボンを推定する。

本手法は選択の公平性を確保するため、1デバイスにつき最低1回、最大20回まで参加を許可し、連続したラウンドで同一デバイスを選ばないようにしている。これにより、低排出デバイスへの偏りを防ぎ、データ多様性を保つ。

実際に5つの実データセット（IIDと非IIDの両方）で検証した結果、CA‑FCSはランダム選択と比べてクライアント側カーボン排出を最大46％削減でき、テスト精度はほぼ同等である。非IID環境下では最大3％程度の精度低下が観測されたが、これは公平性制約により一時的に低排出クライアントが除外されたためである。

実験は、携帯電話が充電中かつWi‑Fiに接続されている時のみ参加対象とした現実的なモバイルFL環境で行われ、実際の利用シナリオに近い条件下で検証された。

このように、CA‑FCSはモバイルデバイス上での分散学習において環境負荷を低減しつつ、モデル性能を維持する実用的なアプローチを提供するが、参加回数の上限設定が極端な再訓練シナリオを制約する可能性がある。