論文の概要: Thermal-GEMs: Generalized Models for Building Thermal Dynamics

• arxiv url: http://arxiv.org/abs/2604.16443v1
• Date: Tue, 07 Apr 2026 09:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.005754
• Title: Thermal-GEMs: Generalized Models for Building Thermal Dynamics
• Title（参考訳）: 熱-GEM:建築熱力学の一般化モデル
• Authors: Felix Koch, Fabian Raisch, Benjamin Tischler,
• Abstract要約: トランスファーラーニング(Transfer Learning)は、単一または複数のソース構造に基づく事前訓練されたモデルを採用することで、この課題を軽減する。 一般的なマルチソースTLモデルはシングルソースTLを上回ることを約束する。 時系列基礎モデル(TSFM)は、最高のパフォーマンスの一般モデル候補として登場している。
• 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: Data-driven models for building thermal dynamics are a scalable approach for enabling energy-efficient operation through fault detection & diagnosis or advanced control. To obtain accurate models, measurement data from a target building spanning months to years are required. Transfer Learning (TL) mitigates this challenge by employing pretrained models based on single or multiple source buildings. General multi-source TL models promise to outperform single-source TL, but alternative multi-source modeling architectures remain to be explored, and evaluation on real-world data is missing. Moreover, time series foundation models (TSFM) have emerged as candidates for the best-performing general models. Hence, we conduct a first, comprehensive assessment of general modeling approaches for building thermal dynamics, including multi-source TL and TSFMs. Our assessment includes ablations using four state-of-the-art multi-source TL architectures and evaluations on synthetic as well as real-world data. We demonstrate that multi-source TL models are highly effective in accurately modeling buildings in real-world applications, yielding up to 63% lower forecasting errors compared to single-source TL. Moreover, our results suggest a trade-off between multi-source TL models exclusively pretrained with building data and TSFMs pretrained with a multitude of different time series, revealing that data from 16-32 source buildings must be available over 1 year for pretraining multi-source TL models to consistently outperform TSFMs as evaluated using the mean absolute error. These findings provide practical guidance for selecting modeling strategies based on the number of source buildings available for pretraining multi-source TL models.
• Abstract（参考訳）: 熱力学を構築するためのデータ駆動モデルは、故障検出・診断や高度な制御を通じてエネルギー効率の高い操作を可能にするスケーラブルなアプローチである。 正確なモデルを得るには、数ヶ月から数年にわたる対象建物からの計測データが必要である。 トランスファーラーニング(TL)は、単一または複数のソース構造に基づく事前訓練されたモデルを採用することで、この課題を軽減する。 一般的なマルチソースTLモデルはシングルソースTLを上回ることを約束するが、代替のマルチソースモデリングアーキテクチャは引き続き検討され、実世界のデータに対する評価は欠落している。 さらに、最高のパフォーマンスの一般モデル候補として時系列基礎モデル(TSFM)が登場している。 そこで我々は,マルチソースTLとTSFMを含む熱力学構築のための汎用モデリング手法を,初めて包括的に評価する。 評価には、最先端の4つのマルチソースTLアーキテクチャによる改善と、合成および実世界のデータに対する評価が含まれる。 実世界のアプリケーションにおいて,マルチソースTLモデルは建物を正確にモデル化する上で非常に効果的であり,単一ソースTLと比較して予測誤差が最大63%低下することが実証された。 さらに, 建築データのみを事前学習したマルチソースTLモデルと, 複数時系列で事前学習したTSFMとのトレードオフが示唆され, 平均絶対誤差を用いて評価したTSFMより一貫して優れたマルチソースTLモデルを事前学習するためには, 16-32のソースビルからのデータを1年以上にわたって利用できなければならないことが明らかになった。 これらの知見は,マルチソースTLモデルの事前学習に利用可能なビル数に基づいて,モデリング戦略を選択するための実践的なガイダンスを提供する。

関連論文リスト

• On What Depends the Robustness of Multi-source Models to Missing Data in Earth Observation? [4.388282062290401]
  我々は、6つの最先端マルチソースモデルの予測性能を、1つのデータソースが欠落しているか、1つのソースのみが利用可能である場合の予測シナリオにおいて評価する。 分析の結果,これらのモデルの有効性は,タスクの性質,データソース間の相補性,モデル設計に複雑に結びついていることが判明した。
  論文  参考訳（メタデータ） (2025-03-25T14:45:23Z)
• A Theory for Conditional Generative Modeling on Multiple Data Sources [20.539424639329564]
  本稿では,条件付き生成モデルにおけるマルチソース学習の厳密な分析に向けての第一歩を踏み出す。 この結果から,ソース分布が類似点を共有し,モデルが十分に表現可能である場合,マルチソーストレーニングは単一ソーストレーニングよりもシャープなバウンドを保証できることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T14:13:24Z)
• GenTL: A General Transfer Learning Model for Building Thermal Dynamics [0.0]
  GenTLは、中央ヨーロッパにおける一戸建て住宅のトランスファー学習モデルである。 LCTM(Long Short-Term Memory)ネットワーク上で、450の異なる建物からのデータを事前トレーニングする。
  論文  参考訳（メタデータ） (2025-01-23T14:34:55Z)
• Multiagent Finetuning: Self Improvement with Diverse Reasoning Chains [114.76612918465948]
  大規模言語モデル(LLM)は近年顕著なパフォーマンスを達成しているが、基礎となるトレーニングデータによって根本的に制限されている。 本稿では,言語モデルのマルチエージェント社会にファインタニングを適用した自己改善への補完的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-10T04:35:46Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• 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)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)

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。