論文の概要: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts

• arxiv url: http://arxiv.org/abs/2508.21615v1
• Date: Fri, 29 Aug 2025 13:29:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.056038
• Title: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts
• Title（参考訳）: 変化に適応する:コンセプトドリフト下の建築熱力学モデリングにおける連続学習と伝達学習の比較
• Authors: Fabian Raisch, Max Langtry, Felix Koch, Ruchi Choudhary, Christoph Goebel, Benjamin Tischler,
• Abstract要約: トランスファーラーニングは、限られたデータしか利用できない場合、熱力学を構築するのに最も効果的な手法である。 より多くの運用計測データが時間とともに収集されるため、初期微調整後にどのように進むかは不明である。 本研究は,建築作業中の熱力学モデリングにおいて,いくつかのCLおよびTL戦略と,スクラッチから訓練したモデルを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer Learning (TL) is currently the most effective approach for modeling building thermal dynamics when only limited data are available. TL uses a pretrained model that is fine-tuned to a specific target building. However, it remains unclear how to proceed after initial fine-tuning, as more operational measurement data are collected over time. This challenge becomes even more complex when the dynamics of the building change, for example, after a retrofit or a change in occupancy. In Machine Learning literature, Continual Learning (CL) methods are used to update models of changing systems. TL approaches can also address this challenge by reusing the pretrained model at each update step and fine-tuning it with new measurement data. A comprehensive study on how to incorporate new measurement data over time to improve prediction accuracy and address the challenges of concept drifts (changes in dynamics) for building thermal dynamics is still missing. Therefore, this study compares several CL and TL strategies, as well as a model trained from scratch, for thermal dynamics modeling during building operation. The methods are evaluated using 5--7 years of simulated data representative of single-family houses in Central Europe, including scenarios with concept drifts from retrofits and changes in occupancy. We propose a CL strategy (Seasonal Memory Learning) that provides greater accuracy improvements than existing CL and TL methods, while maintaining low computational effort. SML outperformed the benchmark of initial fine-tuning by 28.1\% without concept drifts and 34.9\% with concept drifts.
• Abstract（参考訳）: Transfer Learning (TL) は現在、限られたデータしか利用できない場合、熱力学をモデル化するための最も効果的なアプローチである。 TLは、特定のターゲットビルに微調整された事前訓練されたモデルを使用する。 しかし、時間とともにより多くの運用計測データが収集されるため、初期微調整の後にどのように進むかは不明である。 この課題は、例えば、改造後の建物の変化や、占有率の変化などによってさらに複雑になる。 機械学習文学において、継続学習(CL)法は、変化するシステムのモデル更新に使用される。 TLアプローチは、各更新ステップで事前トレーニングされたモデルを再利用し、新しい測定データで微調整することで、この問題に対処できる。 予測精度を向上し、熱力学を構築するためのコンセプトドリフト(ダイナミクスの変化)の課題に対処するために、新しい測定データを経時的に組み込む方法に関する包括的な研究は、いまだに欠落している。 そこで本研究では,建築作業中の熱力学モデリングにおいて,複数のCLおよびTL戦略とスクラッチからトレーニングしたモデルを比較した。 提案手法は, 中央ヨーロッパ一戸建て住宅の5～7年間のシミュレーションデータを用いて評価した。 計算労力を低く抑えつつ,既存のCL法やTL法よりも精度の高いCLストラテジー(シーソンメモリ学習)を提案する。 SMLは、コンセプトドリフトなしで28.1\%、コンセプトドリフトなしで34.9\%の微調整のベンチマークを上回った。

関連論文リスト

• PTMs-TSCIL Pre-Trained Models Based Class-Incremental Learning [7.784244204592032]
  時系列データのためのクラスインクリメンタルラーニング(CIL)は、新たな知識獲得のための破滅的な忘れと可塑性に対する安定性のバランスをとる上で、課題に直面している。 PTMを用いた時系列クラスインクリメンタルラーニング(TSCIL)の第1回研究について紹介する。
  論文  参考訳（メタデータ） (2025-03-10T10:27:21Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Analyzing and Exploring Training Recipes for Large-Scale Transformer-Based Weather Prediction [1.3194391758295114]
  比較的オフ・ザ・シェルフアーキテクチャ、簡単な訓練手順、適度な計算予算でも高い予測能力が得られることを示す。 具体的には、ERA5データに基づいて最小修正SwinV2変換器をトレーニングし、IFSと比較すると優れた予測技術が得られることを確かめる。
  論文  参考訳（メタデータ） (2024-04-30T15:30:14Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• Transfer Learning in Deep Learning Models for Building Load Forecasting: Case of Limited Data [0.0]
  本稿では,この問題を克服し,ディープラーニングモデルの性能を向上させるためのビルディング・ツー・ビルディング・トランスファー・ラーニング・フレームワークを提案する。 提案手法は,スクラッチからトレーニングを行う従来のディープラーニングと比較して,予測精度を56.8%向上させた。
  論文  参考訳（メタデータ） (2023-01-25T16:05:47Z)
• A Broad Ensemble Learning System for Drifting Stream Classification [3.087840197124265]
  本研究では,概念ドリフトを用いたストリーム分類のためのBroad Ensemble Learning System (BELS)を提案する。 BELSは、クラス内の最高のモデルの精度を大幅に向上させる新しい更新方法を使用している。 提案手法は,BLSに比べて平均44%改善し,他の競争基準に比べて29%改善した。
  論文  参考訳（メタデータ） (2021-10-07T15:01:33Z)

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。