論文の概要: Cohort comfort models -- Using occupants' similarity to predict personal thermal preference with less data

• arxiv url: http://arxiv.org/abs/2208.03078v1
• Date: Fri, 5 Aug 2022 10:21:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:53:16.172415
• Title: Cohort comfort models -- Using occupants' similarity to predict personal thermal preference with less data
• Title（参考訳）: コホート快適モデル -- 利用者の類似性を利用して、少ないデータで個人の熱的嗜好を予測する
• Authors: Matias Quintana, Stefano Schiavon, Federico Tartarini, Joyce Kim, Clayton Miller
• Abstract要約: コホート・コンフォート・モデル(Cohort Comfort Models)は、新入生者が彼らの熱環境をどのように知覚するかを予測する新しいフレームワークである。 我々のフレームワークは、物理特性やワンタイムオンボーディングサーベイのような、利用可能な背景情報を活用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Cohort Comfort Models, a new framework for predicting how new occupants would perceive their thermal environment. Cohort Comfort Models leverage historical data collected from a sample population, who have some underlying preference similarity, to predict thermal preference responses of new occupants. Our framework is capable of exploiting available background information such as physical characteristics and one-time on-boarding surveys (satisfaction with life scale, highly sensitive person scale, the Big Five personality traits) from the new occupant as well as physiological and environmental sensor measurements paired with thermal preference responses. We implemented our framework in two publicly available datasets containing longitudinal data from 55 people, comprising more than 6,000 individual thermal comfort surveys. We observed that, a Cohort Comfort Model that uses background information provided very little change in thermal preference prediction performance but uses none historical data. On the other hand, for half and one third of each dataset occupant population, using Cohort Comfort Models, with less historical data from target occupants, Cohort Comfort Models increased their thermal preference prediction by 8~\% and 5~\% on average, and up to 36~\% and 46~\% for some occupants, when compared to general-purpose models trained on the whole population of occupants. The framework is presented in a data and site agnostic manner, with its different components easily tailored to the data availability of the occupants and the buildings. Cohort Comfort Models can be an important step towards personalization without the need of developing a personalized model for each new occupant.
• Abstract（参考訳）: コホート・コンフォート・モデル(Cohort Comfort Models)は、新入生者が熱環境をどのように知覚するかを予測する新しいフレームワークである。 コホート・コンフォート・モデル(cohort comfort model)は、新しい居住者の熱的嗜好反応を予測するために、いくつかの嗜好類似性を持つサンプル集団から収集された履歴データを活用する。 本研究の枠組みは,新しい使用者からの身体特性や1回のオンボーディング調査(ライフスケール,高感度人格尺度,ビッグファイブパーソナリティ特性の満足度)などの利用可能な背景情報や,熱選好反応と組み合わせた生理的・環境的センサ計測を活用できる。 55人の縦データを含む2つの公開データセットで,6,000人以上の温熱快適度調査を行った。 背景情報を用いたコホート快適性モデルでは,熱選好予測性能にはほとんど変化がなかったが,履歴データを使用しなかった。 一方、各データセットの3分の1は、コホート・コンフォート・モデルを用いており、対象者からの歴史的データが少なく、コホート・コンフォート・モデルは平均で8～2%と5～2%、一部の居住者に対して36〜2%と46〜2%という熱選好予測を増加させた。 フレームワークは、データとサイトに依存しない方法で提示され、その異なるコンポーネントは、居住者と建物のデータ可用性に容易に適合する。 コホート・コンフォート・モデル(Cohort Comfort Models)は、新しい居住者ごとにパーソナライズされたモデルを開発することなく、パーソナライズに向けた重要なステップとなる。

関連論文リスト

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• General Preference Modeling with Preference Representations for Aligning Language Models [51.14207112118503]
  我々は、複雑な嗜好構造を効率的に捉えるために、応答を潜在空間に埋め込んだ選好表現学習を導入する。 また、人間からのフィードバックから報酬に基づく強化学習を一般化する嗜好スコアに基づく一般選好最適化(GPO)を提案する。 提案手法は,基礎モデルの微妙な人的価値との整合性を高めることができる。
  論文  参考訳（メタデータ） (2024-10-03T04:22:55Z)
• Mean Estimation with User-level Privacy under Data Heterogeneity [54.07947274508013]
  異なるユーザーは、非常に多くの異なるデータポイントを持っているかもしれない。 すべてのユーザが同じディストリビューションからサンプルを採取していると仮定することはできない。 本研究では,データの分布と量の両方でユーザデータが異なる異質なユーザデータの単純なモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-28T23:02:39Z)
• Forecasting Human Trajectory from Scene History [51.72069374835107]
  我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。 本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
  論文  参考訳（メタデータ） (2022-10-17T03:56:02Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Using Machine Learning to Evaluate Real Estate Prices Using Location Big Data [0.5033155053523041]
  一般的な回帰モデルとツリーベースモデルの予測能力を向上させるために,モバイル位置情報が有効かどうかを検討する。 本研究では,1週間あたり500m以内の利用者を収集した不動産データから,個別の資産にアタッチすることで,移動データを処理した。 これらの動的国勢調査の特徴に加えて, 住民数, 通勤者数, 通勤者数, 住民数など, 静的な国勢調査特徴も含んでいた。
  論文  参考訳（メタデータ） (2022-05-02T19:58:18Z)
• Conditional Synthetic Data Generation for Personal Thermal Comfort Models [7.505485586268498]
  個人的熱的快適性モデルは、大規模なグループの平均的な応答ではなく、個人の熱的快適性反応を予測することを目的としている。 近年、機械学習アルゴリズムは、個人の熱的快適性モデル候補として大きな可能性を証明している。 しかし、しばしば建物の通常の設定内では、実験によって得られた個人的熱的快適性データは、非常に不均衡である。 本稿では,低周波クラスに対応する合成データを生成するための,最先端の条件付き合成データ生成手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T08:57:25Z)
• Targeting occupant feedback using digital twins: Adaptive spatial-temporal thermal preference sampling to optimize personal comfort models [0.0]
  本稿では,スマートウォッチを用いたデータサンプリングを最適化するシナリオベース(仮想実験)手法について概説する。 提案したBuild2Vec法は,空間に基づくサンプリング法や正方形グリッドに基づくサンプリング法よりも,全体のサンプリング品質が18～23%高い。
  論文  参考訳（メタデータ） (2022-02-22T07:38:23Z)
• Personal Comfort Estimation in Partial Observable Environment using Reinforcement Learning [8.422257363944295]
  ほとんどのスマートホームは、ユーザーの熱的嗜好を表す均一なモデルを学ぶ。 ユーザーごとに異なる熱感覚を持つことは、スマートホームが各利用者の好みを個別に学習する上での課題となる。 一つの最適なポリシーを持つスマートホームは、異なる好みを持つ新しいユーザーがホームに統合された場合、快適に提供できない可能性がある。
  論文  参考訳（メタデータ） (2021-12-02T04:01:44Z)
• Personal thermal comfort models using digital twins: Preference prediction with BIM-extracted spatial-temporal proximity data from Build2Vec [0.0]
  本研究は,室内環境の嗜好を予測するために,既存のベクトルベース空間モデルであるBuild2Vecを構築することを目的とする。 スマートウォッチを用いた生態的モーメントアセスメント(EMA)による長手的熱的快適感の主観的フィードバックを用いた枠組み テスト実装の結果,従来の温度優先予測入力変数を用いたベースラインのセットよりも14～28%精度が向上した。
  論文  参考訳（メタデータ） (2021-10-30T07:43:11Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)

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。