論文の概要: Closing the Expertise Gap in Residential Building Energy Retrofits: A Domain-Specific LLM for Informed Decision-Making

• arxiv url: http://arxiv.org/abs/2602.20181v1
• Date: Thu, 19 Feb 2026 19:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.447968
• Title: Closing the Expertise Gap in Residential Building Energy Retrofits: A Domain-Specific LLM for Informed Decision-Making
• Title（参考訳）: 住宅エネルギーリトロフィにおけるエキスパートギャップの閉鎖--インフォームド意思決定のためのドメイン特化LDM-
• Authors: Lei Shu, Armin Yeganeh, Sinem Mollaoglu, Jiayu Zhou, Dong Zhao,
• Abstract要約: 本研究では,ドメイン固有な大規模言語モデル (LLM) を開発し,再適合性を最適に提案する。 このモデルは、物理学に基づくエネルギーシミュレーションと、米国の536,416台の住宅ビルのプロトタイプから得られた技術・経済計算に基づいて微調整されている。
• 参考スコア（独自算出の注目度）: 24.93328983925066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residential energy retrofit decision-making is constrained by an expertise gap, as homeowners lack the technical literacy required for energy assessments. To address this challenge, this study develops a domain-specific large language model (LLM) that provides optimal retrofit recommendations using homeowner-accessible descriptions of basic dwelling characteristics. The model is fine-tuned on physics-based energy simulations and techno-economic calculations derived from 536,416 U.S. residential building prototypes across nine major retrofit categories. Using Low-Rank Adaptation (LoRA), the LLM maps dwelling characteristics to optimal retrofit selections and associated performance outcomes. Evaluation against physics-grounded baselines shows that the model identifies the optimal retrofit for CO2 reduction within its top three recommendations in 98.9% of cases and the shortest discounted payback period in 93.3% of cases. Fine-tuning yields an order-of-magnitude reduction in CO2 prediction error and multi-fold reductions for energy use and retrofit cost. The model maintains performance under incomplete input conditions, supporting informed residential decarbonization decisions.
• Abstract（参考訳）: 住宅所有者はエネルギー評価に必要な技術的リテラシーを欠いているため、住宅エネルギーの再適合決定は専門的なギャップによって制約される。 この課題に対処するため,本研究では,住宅所有者がアクセス可能な基本的居住特性記述を用いて,最適な再最適化提案を行う,ドメイン固有な大規模言語モデル(LLM)を開発した。 このモデルは、物理学に基づくエネルギーシミュレーションと、9つの主要な再適合カテゴリにわたる536,416台の米国住宅ビルのプロトタイプから得られた技術・経済計算に基づいて微調整されている。 Low-Rank Adaptation (LoRA)を用いて、LLMは居住特性を最適な適合選択と関連する性能結果にマッピングする。 物理接地ベースラインに対する評価では、98.9%のケースで、93.3%のケースで、最上位3つの勧告の中で、CO2削減のための最適の補正が特定されている。 微調整は、CO2予測誤差のオーダー・オブ・マグニチュードの低減と、エネルギー使用と再適合コストのマルチフォールドの削減をもたらす。 このモデルは不完全な入力条件下での性能を維持し、情報的住宅の脱炭化決定をサポートする。

関連論文リスト

• Small Reward Models via Backward Inference [100.59075794599768]
  FLIP (FLipped Inference for Prompt Reconstruction) は、参照フリーでルーリックフリーな報酬モデリング手法である。 報酬モデリングを後方推論によって再構成し、与えられた応答を最も確実に生成する命令を推論する。
  論文  参考訳（メタデータ） (2026-02-14T01:55:39Z)
• High-Rank Structured Modulation for Parameter-Efficient Fine-Tuning [57.85676271833619]
  低ランク適応 (LoRA) は、全パラメータの微調整をシミュレートするために低ランク更新法を用いる。 textbfStructured textbfMOdulation textbfAdapterは、より高いランクを維持しながらトレーニング可能なパラメータを少なくする。
  論文  参考訳（メタデータ） (2026-01-12T13:06:17Z)
• Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
  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。
  論文  参考訳（メタデータ） (2025-04-08T14:00:08Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Covariate-distance Weighted Regression (CWR): A Case Study for Estimation of House Prices [0.0]
  住宅価格は、住宅年齢、床面積、土地利用など多くの要因に影響を受けている。 CWRは従来の空間回帰モデルから推定誤差を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-15T03:05:57Z)
• Optimization of Residential Demand Response Program Cost with Consideration for Occupants Thermal Comfort and Privacy [0.1259953341639576]
  家庭用エネルギー管理システム(HEMS)は、空調設定点(AC)を自動的に調整し、一部の機器をオフピーク時間にシフトすることで、消費者のコストを削減する。 建物の居住状況では、直接感知はコストが高く、不正確で、住民にとって侵入的である。 シミュレーションの結果,不確実性を考慮するとコストが36%増加し,交流温度設定値が低下することが示唆された。
  論文  参考訳（メタデータ） (2023-05-14T05:53:39Z)
• 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)
• Zero-Shot Building Control [0.0]
  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。 既存のソリューションでは、世界中のすべての建物で入手するのに非常に高価なシミュレーターを事前訓練する必要がある。 システム識別とモデルベースRLのアイデアを組み合わせることで,建物を安全かつゼロショットで制御できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:56:40Z)
• Regret-Optimal Filtering [57.51328978669528]
  後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。 我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。 3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
  論文  参考訳（メタデータ） (2021-01-25T19:06:52Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。