論文の概要: Recommender systems and reinforcement learning for building control and occupant interaction: A text-mining driven review of scientific literature

• arxiv url: http://arxiv.org/abs/2411.08734v1
• Date: Wed, 13 Nov 2024 16:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:09:56.458601
• Title: Recommender systems and reinforcement learning for building control and occupant interaction: A text-mining driven review of scientific literature
• Title（参考訳）: 建築制御とユーザインタラクションのためのレコメンダシステムと強化学習--テキストマイニングによる科学文献のレビュー
• Authors: Wenhao Zhang, Matias Quintana, Clayton Miller,
• Abstract要約: 本研究は, テキストマイニングと自然言語処理(NLP)を用いて, 建物制御とユーザインタラクションにおけるこれらのアプローチについて検討する。 空間最適化,位置推薦,パーソナライズされた制御提案に対する推薦システムと強化学習を幅広く活用することを発見した。 本総説は,建築・屋内環境におけるレコメンデーションシステムと強化学習応用の展開の可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 3.507507375347555
• License:
• Abstract: The indoor environment greatly affects health and well-being; enhancing health and reducing energy use in these settings is a key research focus. With advancing Information and Communication Technology (ICT), recommendation systems and reinforcement learning have emerged as promising methods to induce behavioral changes that improve indoor environments and building energy efficiency. This study employs text-mining and Natural Language Processing (NLP) to examine these approaches in building control and occupant interaction. Analyzing approximately 27,000 articles from the ScienceDirect database, we found extensive use of recommendation systems and reinforcement learning for space optimization, location recommendations, and personalized control suggestions. Despite broad applications, their use in optimizing indoor environments and energy efficiency is limited. Traditional recommendation algorithms are commonly used, but optimizing indoor conditions and energy efficiency often requires advanced machine learning techniques like reinforcement and deep learning. This review highlights the potential for expanding recommender systems and reinforcement learning applications in buildings and indoor environments. Areas for innovation include predictive maintenance, building-related product recommendations, and optimizing environments for specific needs like sleep and productivity enhancements based on user feedback.
• Abstract（参考訳）: 屋内環境は健康と幸福に大きく影響し、これらの環境での健康の向上とエネルギー消費の削減が重要な研究課題である。 情報通信技術(ICT)の進歩に伴い、屋内環境を改善しエネルギー効率を高める行動変化を誘発する有望な手法としてレコメンデーションシステムや強化学習が出現している。 本研究は, テキストマイニングと自然言語処理(NLP)を用いて, 建物制御とユーザインタラクションにおけるこれらのアプローチについて検討する。 そこで,ScienceDirectデータベースから約27,000の論文を分析し,空間最適化,位置推薦,パーソナライズされた制御提案に対する推薦システムと強化学習を幅広く活用することを発見した。 広範に応用されているにもかかわらず、室内環境の最適化やエネルギー効率の向上には限界がある。 従来のレコメンデーションアルゴリズムは一般的に使用されるが、屋内条件とエネルギー効率を最適化するには、強化やディープラーニングのような高度な機械学習技術が必要となることが多い。 本総説は,建築・屋内環境におけるレコメンデーションシステムと強化学習応用の展開の可能性を明らかにするものである。 イノベーションの領域には、予測メンテナンス、ビルド関連製品レコメンデーション、ユーザフィードバックに基づいた睡眠や生産性の向上といった特定のニーズに対する最適化環境などがある。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• Creation of AI-driven Smart Spaces for Enhanced Indoor Environments -- A Survey [2.4289467021689317]
  スマートスペースはユビキタスコンピューティング環境であり、多様なセンシングと通信技術を統合し、空間機能を強化し、エネルギー利用を最適化し、ユーザーの快適さと幸福を向上させる。 これらの環境への新興AI方法論の統合は、AI駆動のスマートスペースの形成を促進する。 本稿では,センサ技術,データ通信プロトコル,センサネットワーク管理とメンテナンス戦略,データ収集,処理,分析などを含む,AI駆動型スマートスペースの基礎的コンポーネントに関する既存研究を体系的に調査する。
  論文  参考訳（メタデータ） (2024-12-19T10:20:34Z)
• Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning [0.3495246564946556]
  本稿では,Deep Adaptive Interest Network(DAIN)と呼ばれる新しいモデルを提案する。 DAINはユーザの興味を動的にモデル化し、コンテキスト認識学習機構を導入し、正確で適応的なパーソナライズされたレコメンデーションを実現する。 いくつかの公開データセットで実施された実験は、DAINが推奨性能と計算効率の両方で優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-04T04:12:22Z)
• Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations [19.405233437533713]
  大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。 機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。 次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
  論文  参考訳（メタデータ） (2024-03-05T08:31:00Z)
• Exploring Artificial Intelligence Methods for Energy Prediction in Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
  本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。 このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。 この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-27T13:30:20Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Interactive Natural Language Processing [67.87925315773924]
  対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。 本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-22T17:18:29Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)
• Value Driven Representation for Human-in-the-Loop Reinforcement Learning [33.79501890330252]
  我々は,システム設計者が,強化学習エージェントが使用する観測空間を定義するために,センサセットや特徴セットを選択する方法のアルゴリズム的基礎に焦点をあてる。 本稿では、強化学習エージェントの観測空間を反復的かつ適応的に拡張するアルゴリズム、値駆動表現(VDR)を提案する。 シミュレーションされた人間を用いた標準RLベンチマークによる手法の性能評価を行い、従来のベースラインよりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2020-04-02T18:45:45Z)

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。