Fugu-MT 論文翻訳(概要): Hybrid data driven/thermal simulation model for comfort assessment

論文の概要: Hybrid data driven/thermal simulation model for comfort assessment

arxiv url: http://arxiv.org/abs/2309.01734v1
Date: Mon, 4 Sep 2023 17:39:07 GMT
ステータス: 翻訳完了
システム内更新日: 2023-09-06 17:41:06.936761
Title: Hybrid data driven/thermal simulation model for comfort assessment
Title（参考訳）: 快適性評価のためのハイブリッドデータ駆動・熱モデル
Authors: Romain Barbedienne, Sara Yasmine Ouerk, Mouadh Yagoubi, Hassan Bouia, Aurelie Kaemmerlen, Benoit Charrier
Abstract要約: 本稿では, 実データとシミュレーションデータとのハイブリッド化手法を提案する。ベンチマーク研究は、異なる機械学習手法を比較するために実現される。
参考スコア（独自算出の注目度）: 0.3495246564946556
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Machine learning models improve the speed and quality of physical models. However, they require a large amount of data, which is often difficult and costly to acquire. Predicting thermal comfort, for example, requires a controlled environment, with participants presenting various characteristics (age, gender, ...). This paper proposes a method for hybridizing real data with simulated data for thermal comfort prediction. The simulations are performed using Modelica Language. A benchmarking study is realized to compare different machine learning methods. Obtained results look promising with an F1 score of 0.999 obtained using the random forest model.
Abstract（参考訳）: 機械学習モデルは物理モデルのスピードと品質を改善する。しかし、大量のデータを必要とするため、取得が困難でコストがかかることが多い。例えば、熱的快適さを予測するには、様々な特徴(年齢、性別、...)を参加者が提示する制御された環境が必要である。本稿では, 実データとシミュレーションデータとのハイブリッド化手法を提案する。シミュレーションは Modelica Language を用いて行われる。ベンチマーク研究により、異なる機械学習手法を比較する。ランダム森林モデルを用いて得られたF1スコアは0.999である。

関連論文リスト

Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
論文参考訳（メタデータ） (2025-05-24T00:45:07Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Visual Deformation Detection Using Soft Material Simulation for Pre-training of Condition Assessment Models [3.0477617036157136]
オープンソースのシミュレーションツールであるBlenderを使用して、機械学習(ML)モデルのための合成データセットを作成することを提案する。このプロセスでは、専門家情報を形状キーパラメータに翻訳して変形をシミュレートし、変形したオブジェクトと非変形したオブジェクトの両方のイメージを生成する。
論文参考訳（メタデータ） (2024-04-02T01:58:53Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文参考訳（メタデータ） (2023-10-12T20:49:15Z)
Differentiable Physics-based Greenhouse Simulation [4.420086316176459]
このモデルは完全に解釈可能であり、長期にわたって温室における気候と作物の動態を予測できる。本稿では、微分方程式の解法を提案し、データに観測不能な状態が存在しない問題に対処し、モデルを効率的に訓練する。
論文参考訳（メタデータ） (2022-11-21T14:37:25Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Efficient Climate Simulation via Machine Learning Method [21.894503534237664]
我々は,実世界のシナリオ下でのハイブリッドモデリングのためのNeuroClimというフレームワークを開発した。 NeuroClimは、(1)プラットフォーム、(2)データセット、(3)メトリクスの3つの部分から構成される。
論文参考訳（メタデータ） (2022-08-15T07:47:38Z)
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)
Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文参考訳（メタデータ） (2021-03-19T02:00:14Z)
Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。このようなモデルをリアルタイム診断に利用しています。
論文参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。