論文の概要: Explainable AI for building energy retrofitting under data scarcity

• arxiv url: http://arxiv.org/abs/2504.06055v1
• Date: Tue, 08 Apr 2025 14:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:04.719392
• Title: Explainable AI for building energy retrofitting under data scarcity
• Title（参考訳）: データ不足下でのエネルギー適合性構築のための説明可能なAI
• Authors: Panagiota Rempi, Sotiris Pelekis, Alexandros Menelaos Tzortzis, Evangelos Karakolis, Christos Ntanos, Dimitris Askounis,
• Abstract要約: 本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
• 参考スコア（独自算出の注目度）: 40.14307808809578
• License:
• Abstract: Enhancing energy efficiency in residential buildings is a crucial step toward mitigating climate change and reducing greenhouse gas emissions. Retrofitting existing buildings, which account for a significant portion of energy consumption, is critical particularly in regions with outdated and inefficient building stocks. This study presents an Artificial Intelligence (AI) and Machine Learning (ML)-based framework to recommend energy efficiency measures for residential buildings, leveraging accessible building characteristics to achieve energy class targets. Using Latvia as a case study, the methodology addresses challenges associated with limited datasets, class imbalance and data scarcity. The proposed approach integrates Conditional Tabular Generative Adversarial Networks (CTGAN) to generate synthetic data, enriching and balancing the dataset. A Multi-Layer Perceptron (MLP) model serves as the predictive model performing multi-label classification to predict appropriate retrofit strategies. Explainable Artificial Intelligence (XAI), specifically SHapley Additive exPlanations (SHAP), ensures transparency and trust by identifying key features that influence recommendations and guiding feature engineering choices for improved reliability and performance. The evaluation of the approach shows that it notably overcomes data limitations, achieving improvements up to 54% in precision, recall and F1 score. Although this study focuses on Latvia, the methodology is adaptable to other regions, underscoring the potential of AI in reducing the complexity and cost of building energy retrofitting overcoming data limitations. By facilitating decision-making processes and promoting stakeholders engagement, this work supports the global transition toward sustainable energy use in the residential building sector.
• Abstract（参考訳）: 住宅におけるエネルギー効率の向上は、気候変動を緩和し、温室効果ガス排出量を減らすための重要なステップである。 エネルギー消費のかなりの部分を占める既存建築物の改修は、特に時代遅れで非効率な建物の在庫がある地域では特に重要である。 本研究では,人工知能(AI)と機械学習(ML)を基盤とした,住宅のエネルギー効率対策を推奨するフレームワークを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 提案手法は、CTGAN(Conditional Tabular Generative Adversarial Networks)を統合して、合成データを生成し、データセットの強化とバランスをとる。 MLP(Multi-Layer Perceptron)モデルは、適切な適合戦略を予測するために、多ラベル分類を実行する予測モデルとして機能する。 説明可能な人工知能(XAI)、具体的にはSHAP(SHapley Additive exPlanations)は、レコメンデーションに影響を与える重要な機能を特定し、信頼性とパフォーマンスを改善するための機能エンジニアリングの選択を導くことによって、透明性と信頼を保証する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。 この研究はLatviaに焦点を当てているが、この方法論は他のリージョンに適用可能であり、AIがデータ制限を克服するエネルギーの再適合を構築する複雑さとコストを削減できる可能性を強調している。 意思決定プロセスの促進と利害関係者の関与の促進により、この作業は、住宅建設セクターにおける持続可能なエネルギー利用への世界的移行を支援する。

関連論文リスト

• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• AI4EF: Artificial Intelligence for Energy Efficiency in the Building Sector [38.48549968280562]
  AI4EFは、エネルギーの適合性と効率の最適化を構築するための意思決定をサポートするために設計された、高度なユーザー中心のツールである。 AI4EFは機械学習(ML)とデータ駆動の洞察を活用し、利害関係者がエネルギー消費、再適合コスト、環境影響をモデル化し、分析し、予測することを可能にする。
  論文  参考訳（メタデータ） (2024-12-05T10:36:39Z)
• Model Failure or Data Corruption? Exploring Inconsistencies in Building Energy Ratings with Self-Supervised Contrastive Learning [4.152601330407538]
  ビルエネルギーレーティング(ビルエネルギーレーティング、BER)は、ビル所有者、政策立案者、都市計画者がエネルギー効率を改善することで省エネの可能性を理解するための重要な指標である。 しかし、BERアセスメントプロセスは、欠落と不正確な測定に対して脆弱である。 我々は,データ駆動型アプローチであるttCLEARを導入し,自己教師付きコントラスト学習を通じてBER評価の不整合を精査する。
  論文  参考訳（メタデータ） (2024-04-14T17:07:11Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Towards Energy-Aware Federated Traffic Prediction for Cellular Networks [2.360352205004026]
  本稿では機械学習モデル(ML)の実現可能性を評価するための新しいサステナビリティ指標を提案する。 スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを連邦シナリオで評価した。 以上の結果から,より大きなMLモデルでは性能が著しく向上するが,炭素フットプリントの面では環境への影響が大きいことが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T14:28:09Z)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Data-Centric Green AI: An Exploratory Empirical Study [6.4265933507484]
  データ中心のアプローチがAIエネルギー効率に与える影響について検討する。 以上の結果から,データセットの変更を排他的に行うことで,エネルギー消費を大幅に削減できることが示唆された。 我々の研究成果は、グリーンAIをさらに有効化し民主化するためのデータ中心技術に焦点を当てた研究課題である。
  論文  参考訳（メタデータ） (2022-04-06T12:22:43Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of BMS and Environmental Data [12.681421165031576]
  建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。 シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。 ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
  論文  参考訳（メタデータ） (2020-10-09T09:51:03Z)

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。