論文の概要: BUILDA: A Thermal Building Data Generation Framework for Transfer Learning

• arxiv url: http://arxiv.org/abs/2508.12703v1
• Date: Mon, 18 Aug 2025 08:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.07512
• Title: BUILDA: A Thermal Building Data Generation Framework for Transfer Learning
• Title（参考訳）: Builda: トランスファーラーニングのための熱的ビルディングデータ生成フレームワーク
• Authors: Thomas Krug, Fabian Raisch, Dominik Aimer, Markus Wirnsberger, Ferdinand Sigg, Benjamin Schäfer, Benjamin Tischler,
• Abstract要約: トランスファーラーニングは、建築熱力学のデータ駆動モデリングを改善することができる。 本稿では,TL研究における適切な品質と量の合成データを生成するためのフレームワークであるBuilDaについて述べる。
• 参考スコア（独自算出の注目度）: 26.47874938214435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer learning (TL) can improve data-driven modeling of building thermal dynamics. Therefore, many new TL research areas emerge in the field, such as selecting the right source model for TL. However, these research directions require massive amounts of thermal building data which is lacking presently. Neither public datasets nor existing data generators meet the needs of TL research in terms of data quality and quantity. Moreover, existing data generation approaches typically require expert knowledge in building simulation. We present BuilDa, a thermal building data generation framework for producing synthetic data of adequate quality and quantity for TL research. The framework does not require profound building simulation knowledge to generate large volumes of data. BuilDa uses a single-zone Modelica model that is exported as a Functional Mock-up Unit (FMU) and simulated in Python. We demonstrate BuilDa by generating data and utilizing it for pretraining and fine-tuning TL models.
• Abstract（参考訳）: トランスファーラーニング(TL)は、建築熱力学のデータ駆動モデリングを改善することができる。 したがって、TLの適切なソースモデルを選択するなど、多くの新しいTL研究領域がこの分野に出現する。 しかし、これらの研究の方向性は、現在不足している大量の熱建築データを必要とする。 パブリックデータセットも既存のデータジェネレータも、データ品質と量の観点からTLリサーチのニーズを満たしていない。 さらに、既存のデータ生成アプローチは、一般的にシミュレーションを構築する際に専門家の知識を必要とする。 本稿では, TL研究に十分な品質と量の合成データを生成するためのビルディングデータ生成フレームワークであるBuilDaについて述べる。 このフレームワークは大量のデータを生成するために、深いシミュレーション知識を必要としない。 BuilDaは単一ゾーンモデルを使用し、FMU(Functional Mock-up Unit)としてエクスポートされ、Pythonでシミュレートされる。 本稿では,データを生成し,それを事前学習および微調整用TLモデルに利用することによってBuilDaを実証する。

関連論文リスト

• DataEnvGym: Data Generation Agents in Teacher Environments with Student Feedback [62.235925602004535]
  DataEnvGymは、データ生成エージェントのための教師環境のテストベッドである。 エージェントとデータ生成エンジンを含むシーケンシャルな意思決定タスクとして、データ生成をフレーム化する。 学生は、生成されたデータに基づいて反復的に訓練され、評価され、各イテレーション後にエージェントにフィードバックが報告される。
  論文  参考訳（メタデータ） (2024-10-08T17:20:37Z)
• A Benchmark Time Series Dataset for Semiconductor Fabrication Manufacturing Constructed using Component-based Discrete-Event Simulation Models [0.0]
  この研究はIntel半導体製造工場のベンチマークモデルに基づいている。 時系列データセットは離散時間軌道を用いて構築される。 データセットは、機械学習コミュニティで行動分析に利用することもできる。
  論文  参考訳（メタデータ） (2024-08-17T23:05:47Z)
• Scaling Data-Driven Building Energy Modelling using Large Language Models [3.0309252269809264]
  本稿では,ビル管理システムにおけるデータ駆動型モデルの開発に伴うスケーラビリティ問題に対処する手法を提案する。 我々は、大規模言語モデル(LLM)を使用して、BMSから構造化データを処理するコードを生成し、BMS固有の要求に対してデータ駆動モデルを構築します。 ケーススタディでは、プロンプトテンプレートの下での双方向のプロンプトは、高いコード生成率とコード精度を実現し、人件費を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-07-03T19:34:24Z)
• Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
  本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。 各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
  論文  参考訳（メタデータ） (2024-04-02T21:51:39Z)
• Spatio-Temporal Graph Convolutional Network Combined Large Language Model: A Deep Learning Framework for Bike Demand Forecasting [0.0]
  本研究では,時空間グラフ畳み込みネットワーク(STGCN)と大言語モデル(LLM)を組み合わせた新しいディープラーニングフレームワークを提案する。 提案したSTGCN-Lモデルでは,既存のモデルと比較して競争性能が向上し,自転車需要予測の可能性を示している。
  論文  参考訳（メタデータ） (2024-03-23T05:47:19Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Comparison of Transfer Learning based Additive Manufacturing Models via A Case Study [3.759936323189418]
  本稿では,金属AM製品に関するオープンソースデータセットに基づくケーススタディについて述べる。 5つのTL手法が決定木回帰(DTR)と人工知能ニューラルネットワーク(ANN)と統合され、6つのTLベースモデルが構築される。 これらの比較は応用TL法の性能を定量化するために用いられ、類似性、トレーニングデータサイズ、データ前処理の観点から議論される。
  論文  参考訳（メタデータ） (2023-05-17T00:29:25Z)
• Mapping and Describing Geospatial Data to Generalize Complex Mapping and Describing Geospatial Data to Generalize Complex Models: The Case of LittoSIM-GEN Models [0.0]
  エージェントベースモデルへの地理空間データの統合を構築・記述・自動化するためのマッピング手法を提案する。 この論文はLittoSIM-GENプロジェクトの一部であった。
  論文  参考訳（メタデータ） (2021-01-19T09:16:05Z)

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。