論文の概要: STEMS: Spatial-Temporal Enhanced Safe Multi-Agent Coordination for Building Energy Management
- arxiv url: http://arxiv.org/abs/2510.14112v1
- Date: Wed, 15 Oct 2025 21:33:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-17 21:15:14.626049
- Title: STEMS: Spatial-Temporal Enhanced Safe Multi-Agent Coordination for Building Energy Management
- Title（参考訳）: STEMS:建築エネルギー管理のための空間的拡張型マルチエージェントコーディネート
- Authors: Huiliang Zhang, Di Wu, Arnaud Zinflou, Benoit Boulet,
- Abstract要約: 協調型建築エネルギー管理は、空間的時間的依存関係を活用する上で重要な課題に直面している。
現在のマルチビルエネルギーシステムは、空間的時間的情報利用の不足、厳格な安全保証の欠如、システムの複雑さの3つの大きな課題に直面している。
本稿では,建築エネルギーの協調管理のための新しい安全制約付きマルチエージェント強化学習フレームワークである空間時間拡張型マルチエージェントコーディネーション(STEMS)を提案する。
- 参考スコア（独自算出の注目度）: 8.701848298462055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building energy management is essential for achieving carbon reduction goals, improving occupant comfort, and reducing energy costs. Coordinated building energy management faces critical challenges in exploiting spatial-temporal dependencies while ensuring operational safety across multi-building systems. Current multi-building energy systems face three key challenges: insufficient spatial-temporal information exploitation, lack of rigorous safety guarantees, and system complexity. This paper proposes Spatial-Temporal Enhanced Safe Multi-Agent Coordination (STEMS), a novel safety-constrained multi-agent reinforcement learning framework for coordinated building energy management. STEMS integrates two core components: (1) a spatial-temporal graph representation learning framework using a GCN-Transformer fusion architecture to capture inter-building relationships and temporal patterns, and (2) a safety-constrained multi-agent RL algorithm incorporating Control Barrier Functions to provide mathematical safety guarantees. Extensive experiments on real-world building datasets demonstrate STEMS's superior performance over existing methods, showing that STEMS achieves 21% cost reduction, 18% emission reduction, and dramatically reduces safety violations from 35.1% to 5.6% while maintaining optimal comfort with only 0.13 discomfort proportion. The framework also demonstrates strong robustness during extreme weather conditions and maintains effectiveness across different building types.
- Abstract（参考訳）: エネルギー管理の構築は、炭素削減目標達成、居住環境の改善、エネルギーコストの削減に不可欠である。
協調型建築エネルギー管理は、空間的時間的依存を悪用し、マルチビルディングシステム全体の運用上の安全性を確保する上で、重要な課題に直面している。
現在のマルチビルエネルギーシステムは、空間的時間的情報利用の不足、厳格な安全保証の欠如、システムの複雑さの3つの大きな課題に直面している。
本稿では,建築エネルギーの協調管理のための新しい安全制約付きマルチエージェント強化学習フレームワークである空間時間拡張型マルチエージェントコーディネーション(STEMS)を提案する。
STEMSは,(1)GCN-Transformer融合アーキテクチャを用いた空間時間グラフ表現学習フレームワークを用いて,建築間関係と時間的パターンを捕捉し,(2)制御バリア関数を組み込んだ安全制約付きマルチエージェントRLアルゴリズムを用いて数学的安全性を保証する。
現実世界の建築データセットに関する大規模な実験は、STEMSが既存の方法よりも優れた性能を示し、STEMSが21%のコスト削減、18%の排出量削減を実現し、安全違反を35.1%から5.6%に劇的に減らし、快適さをわずか0.13の不快な比率で維持することを示した。
このフレームワークは、極端な気象条件下で強い堅牢性を示し、異なるタイプの建物で有効性を維持する。
関連論文リスト
- UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。
安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。
この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文 参考訳（メタデータ） (2025-10-02T16:43:33Z) - MAD-PINN: A Decentralized Physics-Informed Machine Learning Framework for Safe and Optimal Multi-Agent Control [13.531665564516155]
大規模マルチエージェントシステムにおける安全性とパフォーマンスの最適化は、依然として根本的な課題である。
マルチエージェント状態制約最適制御問題を解くための分散機械学習フレームワークMAD-PINNを提案する。
マルチエージェントナビゲーションタスクの実験では、MAD-PINNは優れた安全性と性能のトレードオフを実現し、エージェントの数が増えるにつれてスケーラビリティを維持し、常に最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-09-28T16:31:22Z) - Designing a Layered Framework to Secure Data via Improved Multi Stage Lightweight Cryptography in IoT Cloud Systems [1.5803208833562954]
本稿では,IoTクラウドシステムの軽量暗号化向上を目的とした,多層ハイブリッドセキュリティ手法を提案する。
提案するフレームワークは3つのコアレイヤで構成されている。(1)Hyperledger Fabric、Enc-Block、およびハイブリッドECDSA-ZSSスキームを統合して、暗号化速度、スケーラビリティ、計算コストを向上するH.E.EZ Layer、(2)Credential Management Layerがデータの信頼性と信頼性を独立して検証する、(3)トラフィックオーバーヘッドの低減と動的ワークロード間のパフォーマンスの最適化を目的としたTime and Auditing Layerである。
論文 参考訳（メタデータ） (2025-09-01T18:53:20Z) - Data-Driven Policy Mapping for Safe RL-based Energy Management Systems [6.185645393091031]
本稿では,クラスタリング,予測,制約付き政策学習を組み合わせた3段階強化学習に基づく建築エネルギー管理システム(BEMS)を提案する。
実世界のデータから評価することで,特定の建築タイプに対して,運用コストを最大15%削減する。
全体として、このフレームワークはスケーラブルで堅牢で費用対効果の高い建築エネルギー管理を提供します。
論文 参考訳（メタデータ） (2025-06-19T14:29:48Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。
SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。
これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
論文 参考訳（メタデータ） (2025-01-20T15:52:43Z) - Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections [9.041849642602626]
信号のない交差点を通る安全かつ効率的な軌道を計画することは、自動運転車にとって重要な課題である。
本研究では,動的高次制御バリア関数(DHOCBF)と拡散モデル(DSC-Diffuser)を統合する安全クリティカルプランニング手法を提案する。
動的環境における運転安全をより確実にするために,提案したDHOCBFフレームワークは周囲の車両の動きを考慮した動的調整を行う。
論文 参考訳（メタデータ） (2024-11-29T11:57:00Z) - Stacked Universal Successor Feature Approximators for Safety in Reinforcement Learning [1.2534672170380357]
ソフトアクター・クリティック(SAC)に適応した普遍的後継特徴近似(USFA)の積み重ね連続制御の有用性について検討した。
本手法は,実行時保証(RTA)コントローラなどのインターベンブリング二次制御器を用いて,SACベースラインと比較して二次目標の性能を向上させる。
論文 参考訳（メタデータ） (2024-09-06T22:20:07Z) - 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)
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。