論文の概要: Developing the Reliable Shallow Supervised Learning for Thermal Comfort
using ASHRAE RP-884 and ASHRAE Global Thermal Comfort Database II
- arxiv url: http://arxiv.org/abs/2303.03873v1
- Date: Fri, 3 Mar 2023 13:47:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 15:21:38.842658
- Title: Developing the Reliable Shallow Supervised Learning for Thermal Comfort
using ASHRAE RP-884 and ASHRAE Global Thermal Comfort Database II
- Title（参考訳）: ASHRAE RP-884とASHRAEグローバル・サーマル・コンフォート・データベース(II)による耐熱性向上のための浅層監視学習の開発
- Authors: Kanisius Karyono, Badr M. Abdullah, Alison J. Cotgrave, Ana Bras, and
Jeff Cullen
- Abstract要約: この研究は、熱的快適さのためにAIサブシステムをトレーニングするための信頼性の高いデータセットを導入している。
熱的快適性のためのトレーニングデータは、このデータセットほど信頼性がないが、このデータを直接使用すると、過度に適合する可能性がある。
この研究は、教師付き学習プロセスのためのASHRAEデータベースに対して、データフィルタリングと意味データ拡張のためのアルゴリズムを提供する。
- 参考スコア（独自算出の注目度）: 1.0863226323853896
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The artificial intelligence (AI) system designer for thermal comfort faces
insufficient data recorded from the current user or overfitting due to
unreliable training data. This work introduces the reliable data set for
training the AI subsystem for thermal comfort. This paper presents the control
algorithm based on shallow supervised learning, which is simple enough to be
implemented in the Internet of Things (IoT) system for residential usage using
ASHRAE RP-884 and ASHRAE Global Thermal Comfort Database II. No training data
for thermal comfort is available as reliable as this dataset, but the direct
use of this data can lead to overfitting. This work offers the algorithm for
data filtering and semantic data augmentation for the ASHRAE database for the
supervised learning process. Overfitting always becomes a problem due to the
psychological aspect involved in the thermal comfort decision. The method to
check the AI system based on the psychrometric chart against overfitting is
presented. This paper also assesses the most important parameters needed to
achieve human thermal comfort. This method can support the development of
reinforced learning for thermal comfort.
- Abstract（参考訳）: 熱的快適性のための人工知能(AI)システムデザイナは、現在のユーザから記録された不十分なデータや、信頼性の低いトレーニングデータによる過度な適合に直面している。
本研究は,aiサブシステムを熱的快適にトレーニングするための信頼性の高いデータセットを提案する。
本稿では,ASHRAE RP-884とASHRAE Global Thermal Comfort Database IIを用いて,モノのインターネット(IoT)システムで実装可能な浅層教師あり学習に基づく制御アルゴリズムを提案する。
熱的快適性のためのトレーニングデータはこのデータセットほど信頼性がないが、このデータを直接使用すると過度に適合する可能性がある。
この研究は、教師付き学習プロセスのためのASHRAEデータベースに対して、データフィルタリングと意味データ拡張のためのアルゴリズムを提供する。
熱的快適性決定に関わる心理的側面から、オーバーフィッティングは常に問題となる。
オーバーフィッティングに対する心理学的チャートに基づいてAIシステムをチェックする方法を示す。
また,人体熱快適化に必要なパラメータについて検討した。
この方法は、熱的快適性のための強化学習の開発を支援することができる。
関連論文リスト
- DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。
シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T11:50:43Z) - Adaptive Data Exploitation in Deep Reinforcement Learning [50.53705050673944]
深層強化学習(RL)における**データ効率**と**一般化**を強化する強力なフレームワークであるADEPTを紹介する。
具体的には、ADEPTはマルチアーム・バンディット(MAB)アルゴリズムを用いて、異なる学習段階にわたるサンプルデータの使用を適応的に管理する。
Procgen、MiniGrid、PyBulletなどのベンチマークでADEPTをテストする。
論文 参考訳（メタデータ） (2025-01-22T04:01:17Z) - Machine Learning-Based Automated Thermal Comfort Prediction: Integration
of Low-Cost Thermal and Visual Cameras for Higher Accuracy [3.2872586139884623]
利用者の快適さに関するデータを提供するためには,リアルタイムフィードバックシステムが必要である。
非侵襲型サーマルスキャンに対して、より包括的視点をもたらすためには、新しいソリューションが必要である。
論文 参考訳（メタデータ） (2022-04-14T15:30:16Z) - 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) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - A Sequential Modelling Approach for Indoor Temperature Prediction and
Heating Control in Smart Buildings [4.759925918369102]
本稿では,室内温度の予測にデータ駆動統計手法を逐次適用するための学習ベースフレームワークを提案する。
実験では、モデリングアプローチと制御アルゴリズムの有効性を実証し、スマートビルディングアプリケーションにおける混合データ駆動アプローチの有望な可能性を明らかにする。
論文 参考訳（メタデータ） (2020-09-21T13:20:27Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z) - AWAC: Accelerating Online Reinforcement Learning with Offline Datasets [84.94748183816547]
提案手法は,従来の実演データとオンライン体験を組み合わせることで,スキルの素早い学習を可能にする。
以上の結果から,事前データを組み込むことで,ロボット工学を実践的な時間スケールまで学習するのに要する時間を短縮できることが示唆された。
論文 参考訳（メタデータ） (2020-06-16T17:54:41Z) - 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。