Fugu-MT 論文翻訳(概要): Multi-task Learning for Concurrent Prediction of Thermal Comfort, Sensation, and Preference

論文の概要: Multi-task Learning for Concurrent Prediction of Thermal Comfort, Sensation, and Preference

arxiv url: http://arxiv.org/abs/2204.12380v1
Date: Tue, 26 Apr 2022 15:25:55 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 13:06:02.235335
Title: Multi-task Learning for Concurrent Prediction of Thermal Comfort, Sensation, and Preference
Title（参考訳）: マルチタスク学習による快適感・感性・嗜好の同時予測
Authors: Betty Lala, Hamada Rizk, Srikant Manas Kala, Aya Hagishima
Abstract要約: 室内熱快適感(TC)は主観的で多次元的である。マルチタスク学習にインスパイアされたディープラーニングモデルである"DeepComfort"が提案されている。
参考スコア（独自算出の注目度）: 0.9405458160620533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Indoor thermal comfort immensely impacts the health and performance of occupants. Therefore, researchers and engineers have proposed numerous computational models to estimate thermal comfort (TC). Given the impetus toward energy efficiency, the current focus is on data-driven TC prediction solutions that leverage state-of-the-art machine learning (ML) algorithms. However, an indoor occupant's perception of indoor thermal comfort (TC) is subjective and multi-dimensional. Different aspects of TC are represented by various standard metrics/scales viz., thermal sensation (TSV), thermal comfort (TCV), and thermal preference (TPV). The current ML-based TC prediction solutions adopt the Single-task Learning approach, i.e., one prediction model per metric. Consequently, solutions often focus on only one TC metric. Moreover, when several metrics are considered, multiple TC models for a single indoor space lead to conflicting predictions, making real-world deployment infeasible. This work addresses these problems. With the vision toward energy conservation and real-world application, naturally ventilated primary school classrooms are considered. First, month-long field experiments are conducted in 5 schools and 14 classrooms, including 512 unique student participants. Further, "DeepComfort," a Multi-task Learning inspired deep-learning model is proposed. DeepComfort predicts multiple TC output metrics viz., TSV, TPV, and TCV, simultaneously, through a single model. It demonstrates high F1-scores, Accuracy (>90%), and generalization capability when validated on the ASHRAE-II database and the dataset created in this study. DeepComfort is also shown to outperform 6 popular metric-specific single-task machine learning algorithms. To the best of our knowledge, this work is the first application of Multi-task Learning to thermal comfort prediction in classrooms.
Abstract（参考訳）: 室内の熱的快適さは、居住者の健康とパフォーマンスに大きな影響を及ぼす。そのため、研究者や技術者は熱快適性(TC)を推定するための多くの計算モデルを提案している。エネルギー効率への衝動を考えると、現在の焦点は最先端機械学習(ml)アルゴリズムを活用するデータ駆動tc予測ソリューションである。しかし,室内熱快適感(TC)は主観的かつ多次元的である。 TCのさまざまな側面は、様々な標準指標/スケールビズ、熱センセーション(TSV)、熱快適性(TCV)、熱嗜好(TPV)によって表される。現在のMLベースのTC予測ソリューションは、シングルタスク学習アプローチ、すなわちメトリック毎に1つの予測モデルを採用している。したがって、ソリューションはしばしば1つのTCメトリックのみに焦点を当てます。さらに、いくつかのメトリクスを考慮すると、1つの屋内空間の複数のTCモデルが矛盾する予測をもたらし、現実のデプロイメントが不可能になる。この仕事はこれらの問題に対処する。自然に換気された小学校の教室は,エネルギー保全と実世界の応用をめざして検討されている。まず5つの学校と14の教室で1ヶ月のフィールド実験が行われ、512人の学生が参加した。さらに,マルチタスク学習に触発されたディープラーニングモデル「deepcomfort」を提案する。 DeepComfortは、単一のモデルで複数のTC出力メトリクスviz., TSV, TPV, TCVを同時に予測する。本研究は,ASHRAE-IIデータベースと本研究で作成したデータセットを用いて,高いF1スコア,精度(>90%),一般化能力を示す。 DeepComfortはまた、一般的なメトリック固有のシングルタスク機械学習アルゴリズムを6つ上回っている。我々の知る限り、この研究は教室におけるマルチタスク学習の温熱的快適性予測への最初の応用である。

関連論文リスト

TSAK: Two-Stage Semantic-Aware Knowledge Distillation for Efficient Wearable Modality and Model Optimization in Manufacturing Lines [4.503003860563811]
製造ラインにおける効率, プライバシー, ウェアラブルHARのための2段階のセマンティック・アウェア・ナレッジ蒸留手法TSAKを提案する。より大きな教師モデルと比較して、学生モデルはシングルハンドのセンサーチャネルを減らし、79%のパラメータを減らし、8.88倍の速度で動作し、96.6%のコンピュータパワー(FLOPS)を必要とする。
論文参考訳（メタデータ） (2024-08-26T09:44:21Z)
vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
論文参考訳（メタデータ） (2024-05-26T12:58:04Z)
When Parameter-efficient Tuning Meets General-purpose Vision-language Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-12-16T17:13:08Z)
The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文参考訳（メタデータ） (2023-09-20T10:31:17Z)
Efficient Adaptive Human-Object Interaction Detection with Concept-guided Memory [64.11870454160614]
概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。 ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
論文参考訳（メタデータ） (2023-09-07T13:10:06Z)
Strong Baselines for Parameter Efficient Few-Shot Fine-tuning [50.83426196335385]
FSC (Few-shot Classification) は、事前訓練(メタトレーニング)フェーズの後にクラス毎にいくつかの例を与えられた新しいクラスを学習する。近年の研究では、新しいテストクラスで事前訓練された視覚変換器(ViT)を微調整することが、FSCにとって強力なアプローチであることが示されている。しかし、微調整のViTは、時間、計算、ストレージに費用がかかる。これにより、Transformerのパラメータのごく一部だけを微調整するPEFT法が考案された。
論文参考訳（メタデータ） (2023-04-04T16:14:39Z)
Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文参考訳（メタデータ） (2022-09-01T17:05:20Z)
Physics-informed MTA-UNet: Prediction of Thermal Stress and Thermal Deformation of Satellites [5.298499620269869]
本稿では,Multi-Task Learning(MTL)とU-Netの両方の利点とアテンション機構を組み合わせた,MTA-UNet(Multi-Task Attention UNet)ニューラルネットワークを提案する。実験結果から,MTA-UNetはSTLモデルと比較して,複数の物理タスクの予測精度を効果的に向上することが示された。
論文参考訳（メタデータ） (2022-09-01T12:00:33Z)
Building Matters: Spatial Variability in Machine Learning Based Thermal Comfort Prediction in Winters [3.9810081653282383]
機械学習は、データ駆動の熱的快適な予測にますます利用されている。空間変動が生徒の快適性に及ぼす影響は,予測精度の変動を通じて示される。また, 建築環境がTC予測に与える影響についても, 特徴量の変動を通じて明らかにした。
論文参考訳（メタデータ） (2022-06-28T17:07:35Z)
Online Knowledge Distillation for Efficient Pose Estimation [37.81478634850458]
一段階的に人間の詩構造知識を蒸留し,新しいオンライン知識蒸留フレームワークについて検討する。 OKDHPは単一のマルチブランチネットワークをトレーニングし、予測されたヒートマップをそれぞれ取得する。画素ワイドのKullback-Leibler分散を利用して、対象ヒートマップと予測値との差を最小限に抑える。
論文参考訳（メタデータ） (2021-08-04T14:49:44Z)
Transfer Learning for Thermal Comfort Prediction in Multiple Cities [8.759740337781526]
本研究の目的は、データ短絡問題に取り組み、熱的快適性予測の性能を高めることである。我々は、同じ気候圏の複数の都市からのセンサデータを利用して、熱快適なパターンを学習する。本研究では,同じ気候帯からの転写学習に基づく多層パーセプトロンモデルを提案する。
論文参考訳（メタデータ） (2020-04-29T11:42:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。