論文の概要: Predictive Modeling: BIM Command Recommendation Based on Large-scale Usage Logs

• arxiv url: http://arxiv.org/abs/2504.05319v2
• Date: Sun, 13 Jul 2025 17:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 14:36:07.031757
• Title: Predictive Modeling: BIM Command Recommendation Based on Large-scale Usage Logs
• Title（参考訳）: 予測モデリング:大規模利用ログに基づくBIMコマンド勧告
• Authors: Changyu Du, Zihan Deng, Stavros Nousias, André Borrmann,
• Abstract要約: 本稿では,ユーザの過去のインタラクションに基づいて,リアルタイムに最適な次のアクションを予測するBIMコマンドレコメンデーションフレームワークを提案する。 我々のモデルは、もともと大きな言語モデルのために開発された最先端のTransformerバックボーンの上に構築されている。 次のコマンドのレコメンデーションを生成すると、約84%のRecall@10が得られます。
• 参考スコア（独自算出の注目度）: 0.7499722271664147
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The adoption of Building Information Modeling (BIM) and model-based design within the Architecture, Engineering, and Construction (AEC) industry has been hindered by the perception that using BIM authoring tools demands more effort than conventional 2D drafting. To enhance design efficiency, this paper proposes a BIM command recommendation framework that predicts the optimal next actions in real-time based on users' historical interactions. We propose a comprehensive filtering and enhancement method for large-scale raw BIM log data and introduce a novel command recommendation model. Our model builds upon the state-of-the-art Transformer backbones originally developed for large language models (LLMs), incorporating a custom feature fusion module, dedicated loss function, and targeted learning strategy. In a case study, the proposed method is applied to over 32 billion rows of real-world log data collected globally from the BIM authoring software Vectorworks. Experimental results demonstrate that our method can learn universal and generalizable modeling patterns from anonymous user interaction sequences across different countries, disciplines, and projects. When generating recommendations for the next command, our approach achieves a Recall@10 of approximately 84%. The code is available at: https://github.com/dcy0577/BIM-Command-Recommendation.git
• Abstract（参考訳）: 建築・工学・建設業界におけるビルディング情報モデリング(BIM)とモデルベースデザイン(AEC)の導入は、BIMオーサリングツールの使用が従来の2Dドラフトよりも多くの労力を必要とするという認識から妨げられている。 設計効率を向上させるため,BIMコマンドレコメンデーションフレームワークを提案する。 本稿では,大規模生BIMログデータに対する包括的フィルタリングと拡張手法を提案し,新しいコマンドレコメンデーションモデルを提案する。 我々のモデルは,主に大規模言語モデル(LLM)用に開発された最先端のトランスフォーマーのバックボーン上に構築され,カスタム機能融合モジュール,専用損失関数,ターゲット学習戦略が組み込まれている。 ケーススタディでは,BIMオーサリングソフトウェアであるVectorworksから収集した実世界のログデータを32億行以上に適用した。 実験により, 異なる国, 規律, プロジェクトにわたる匿名ユーザインタラクションシーケンスから, 普遍的で一般化可能なモデリングパターンを学習できることが実証された。 次のコマンドのレコメンデーションを生成すると、約84%のRecall@10が得られます。 コードは、https://github.com/dcy0577/BIM-Command-Recommendation.gitで入手できる。

関連論文リスト

• Beyond Model Base Selection: Weaving Knowledge to Master Fine-grained Neural Network Design [20.31388126105889]
  M-DESIGN(M-DESIGN)は、ニューラルネットワークの洗練を習得するためのモデル知識ベース(MKB)パイプラインである。 まず,タスクメタデータに対する適応的なクエリ問題としてモデル修正を再構成する知識織りエンジンを提案する。 ユーザのタスククエリが与えられた場合、M-DESIGNは、グラフ関係の知識スキーマを利用して、候補モデルをすばやくマッチングし、反復的に洗練する。
  論文  参考訳（メタデータ） (2025-07-21T07:49:19Z)
• Large Language Model as Universal Retriever in Industrial-Scale Recommender System [27.58251380192748]
  本稿では,Large Language Models (LLM) が汎用検索として機能し,生成検索フレームワーク内で複数の目的を処理可能であることを示す。 また,モデルの学習性,識別性,伝達性を向上させるために行列分解を導入する。 我々のUniversal Retrieval Model(URM)は、数千万の候補の計算から適応的に集合を生成することができる。
  論文  参考訳（メタデータ） (2025-02-05T09:56:52Z)
• Instruction-Following Pruning for Large Language Models [58.329978053711024]
  我々は、モデルに対する固定的なプルーニングマスクを決定する従来の静的プルーニングアプローチを超えて移動する。 本手法では,プルーニングマスクは入力依存型であり,ユーザ命令に記述された情報に基づいて動的に適応する。 我々の手法は「命令追従プルーニング」と呼ばれ、ユーザ命令を入力とし、与えられたタスクに対して最も関連性の高いモデルパラメータを動的に選択するスパースマスク予測器を導入している。
  論文  参考訳（メタデータ） (2025-01-03T20:19:14Z)
• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• Text2BIM: Generating Building Models Using a Large Language Model-based Multi-Agent Framework [0.3749861135832073]
  Text2 BIMフレームワークは、自然言語命令から3Dビルディングモデルを生成する。 ルールベースのモデルチェッカーがエージェントワークフローに導入され、LLMエージェントの問題解決をガイドする。 このフレームワークは、高品質で構造的に合理的なビルディングモデルを効果的に生成できる。
  論文  参考訳（メタデータ） (2024-08-15T09:48:45Z)
• Towards commands recommender system in BIM authoring tool using transformers [0.7499722271664147]
  本研究では,BIMモデリングプロセスの高速化を目的としたシーケンシャルレコメンデーションシステムの可能性について検討する。 本稿では,BIMソフトウェアコマンドを推奨項目として扱うことにより,ユーザの履歴的インタラクションに基づいて次の最良コマンドを予測する,新たなエンドツーエンドアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-02T17:47:06Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)
• Unlocking the Potential of User Feedback: Leveraging Large Language Model as User Simulator to Enhance Dialogue System [65.93577256431125]
  本稿では,ユーザガイド応答最適化 (UGRO) という代替手法を提案し,タスク指向の対話モデルと組み合わせる。 このアプローチでは、アノテーションのないユーザシミュレータとしてLLMを使用して対話応答を評価し、より小型のエンドツーエンドTODモデルと組み合わせる。 提案手法は従来のSOTA(State-of-the-art)よりも優れている。
  論文  参考訳（メタデータ） (2023-06-16T13:04:56Z)
• Streamlined Framework for Agile Forecasting Model Development towards Efficient Inventory Management [2.0625936401496237]
  本稿では,開発プロセスのコアコンポーネント間の接続を合理化して予測モデルを構築するためのフレームワークを提案する。 提案したフレームワークは、新しいデータセットの迅速かつ堅牢な統合、異なるアルゴリズムの実験、最良のモデルの選択を可能にする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:32Z)
• Lifelong Generative Modelling Using Dynamic Expansion Graph Model [15.350366047108103]
  共同GR法とENA法を用いて,VAEの忘れ行動について検討した。 動的拡張グラフモデル(DEGM)を提案する。
  論文  参考訳（メタデータ） (2021-12-15T17:35:27Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• User Memory Reasoning for Conversational Recommendation [68.34475157544246]
  本研究では,ユーザの過去の(オフライン)好みと現在の(オンライン)要求を動的に管理する対話レコメンデーションモデルについて検討する。 MGConvRexはユーザメモリ上の人間レベルの推論をキャプチャし、推奨のためにゼロショット(コールドスタート)推論のためにユーザのトレーニング/テストセットを分離する。
  論文  参考訳（メタデータ） (2020-05-30T05:29:23Z)

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。