論文の概要: Transfer Learning for Neural Parameter Estimation applied to Building RC Models

• arxiv url: http://arxiv.org/abs/2604.05904v1
• Date: Tue, 07 Apr 2026 14:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.87091
• Title: Transfer Learning for Neural Parameter Estimation applied to Building RC Models
• Title（参考訳）: RCモデル構築に応用したニューラルパラメータ推定のための伝達学習
• Authors: Fabian Raisch, Timo Germann, J. Nathan Kutz, Christoph Goebel, Benjamin Tischler,
• Abstract要約: 本稿では,動的システムにおけるパラメータ推定のための伝達学習パラダイムを提案する。 その結果、データトレーニングはわずか12日間で186-24.0%改善した。 提案手法は力学系におけるパラメータ推定のパラダイムを表す。
• 参考スコア（独自算出の注目度）: 1.8796659304823702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parameter estimation for dynamical systems remains challenging due to non-convexity and sensitivity to initial parameter guesses. Recent deep learning approaches enable accurate and fast parameter estimation but do not exploit transferable knowledge across systems. To address this, we introduce a transfer-learning-based neural parameter estimation framework based on a pretraining-fine-tuning paradigm. This approach improves accuracy and eliminates the need for an initial parameter guess. We apply this framework to building RC thermal models, evaluating it against a Genetic Algorithm and a from-scratch neural baseline across eight simulated buildings, one real-world building, two RC model configurations, and four training data lengths. Results demonstrate an 18.6-24.0% performance improvement with only 12 days of training data and up to 49.4% with 72 days. Beyond buildings, the proposed method represents a new paradigm for parameter estimation in dynamical systems.
• Abstract（参考訳）: 非凸性および初期パラメータ推定に対する感度のため、力学系のパラメータ推定は依然として困難である。 近年のディープラーニングアプローチは,正確なパラメータ推定を可能にするが,システム間での伝達可能な知識を活用できない。 そこで我々は,事前学習・微調整パラダイムに基づく伝達学習に基づくニューラルパラメータ推定フレームワークを提案する。 このアプローチは精度を向上し、初期パラメータ推定の必要性を排除する。 このフレームワークをRC熱モデルの構築に適用し、遺伝的アルゴリズムと、8つのシミュレーションされた建物、1つの現実世界の建物、2つのRCモデル構成、および4つのトレーニングデータ長にまたがるオフスクラッチニューラルネットワークベースラインに対して評価する。 その結果、12日間のトレーニングデータだけで18.6～24.0%のパフォーマンス向上を示し、72日間で49.4%まで向上した。 建物以外にも,動的システムにおけるパラメータ推定のための新しいパラダイムが提案されている。

関連論文リスト

• Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-29T13:29:54Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Deep Learning of Dynamical System Parameters from Return Maps as Images [0.0]
  本稿では,ディープラーニング技術を用いたシステム識別手法を提案する。 離散および連続時間力学系のパラメータを推定するために教師付き学習手法を用いる。
  論文  参考訳（メタデータ） (2023-06-20T03:23:32Z)
• Towards black-box parameter estimation [0.0]
  弱いパラメータ構造仮定に基づいて統計モデルのパラメータを推定する新しいブラックボックス手法を開発した。 頻繁な頻度で構造化された確率に対して、これは、広範囲なシミュレートされたデータベース上でディープニューラルネットワークを事前トレーニングすることで達成される。
  論文  参考訳（メタデータ） (2023-03-27T09:39:38Z)
• Embed and Emulate: Learning to estimate parameters of dynamical systems with uncertainty quantification [11.353411236854582]
  本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。 私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。 結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-03T01:59:20Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
  レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。 AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。 本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-21T14:49:00Z)

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。