論文の概要: Uncertainty-Aware Transfer Learning for Cross-Building Energy Forecasting: Toward Robust and Scalable District-Level Energy Management
- arxiv url: http://arxiv.org/abs/2605.29733v1
- Date: Thu, 28 May 2026 10:28:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 05:02:24.575982
- Title: Uncertainty-Aware Transfer Learning for Cross-Building Energy Forecasting: Toward Robust and Scalable District-Level Energy Management
- Title（参考訳）: クロスビルエネルギー予測のための不確実性意識伝達学習-ロバストでスケーラブルな地域エネルギー管理を目指して-
- Authors: Shadmehr Zaregarizi, Khashayar Yavari,
- Abstract要約: データ駆動型エネルギー予測を地域レベルにスケールアップするには、最小限のターゲットドメインデータと正直な不確実性推定を持つ建物間で再利用可能なモデルが必要である。
時間核融合変圧器(TFT)に基づくクロスビルエネルギー予測のための不確実性を考慮した伝達学習フレームワークを提案する。
4段階の層凍結アブレーションにより,806Kから455個の出力層パラメータを更新した Probe-Only の微調整により,最も優れた転送品質が得られることがわかった。
- 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: Scaling data-driven energy forecasting to district level requires models that can be re-used across buildings with minimal target-domain data and honest uncertainty estimates. We present an uncertainty-aware transfer learning (TL) framework for cross-building energy forecasting based on the Temporal Fusion Transformer (TFT), evaluated on a newly released high-resolution real sub-meter dataset: an educational building at Aalborg University, Denmark (source) and the multi-typology NEST building at EMPA, Switzerland (target). We introduce the Transfer Robustness Index (TRI), an architecture-agnostic metric for quantifying generalization quality across domain gaps. A four-strategy layer-freezing ablation shows that Probe-Only fine-tuning, updating only 455 output-layer parameters out of 806K, achieves the best transfer quality (TRI = 3,097), outperforming full fine-tuning and suggesting that TFT encoders learn transferable temporal representations. Monte Carlo Dropout yields a prediction interval coverage probability of 93.2%, close to the nominal 95% target. A data-scarcity analysis further shows monotonic improvement with increasing target-domain data, providing practical guidance for district energy deployment.
- Abstract（参考訳）: データ駆動型エネルギー予測を地域レベルにスケールアップするには、最小限のターゲットドメインデータと正直な不確実性推定を持つ建物間で再利用可能なモデルが必要である。
本稿では,テンポラル・フュージョン・トランスフォーマー(TFT)に基づくクロスビルディングエネルギー予測のための不確実性認識伝達学習(TL)フレームワークについて,デンマークのアルボーグ大学(英語版)とスイスのEMPA(英語版)のマルチティポロジーNESTビルディング(英語版)(英語版) (ターゲット) を新たにリリースした高解像度リアルサブメーターデータセットを用いて評価した。
本稿では,領域間における一般化品質の定量化のためのアーキテクチャに依存しない指標であるTransfer Robustness Index(TRI)を紹介する。
4段階の層凍結アブレーションは、806Kから455個の出力層パラメータしか更新しないプローブオンリーの微調整が、最高の転送品質(TRI = 3,097)を達成し、完全な微調整を達成し、TFTエンコーダが転送可能な時間表現を学習することを示唆している。
モンテカルロ・ドロップアウトは、名目95%の目標に近い93.2%の予測間隔のカバレッジ確率を得る。
データ・スカシティ分析により、目標領域データの増加による単調な改善が示され、地域エネルギー展開のための実践的なガイダンスが提供される。
関連論文リスト
- Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments [0.0]
マルチ水平価格予測は、ポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心である。
ディープラーニングアーキテクチャは、厳格な財務ベンチマークで評価できるよりも急速に成長しています。
ModernTCNは75パーセントの1位率で最高ランク(1.333)を獲得し、PatchTST(2.000)が続く。
論文 参考訳（メタデータ） (2026-02-27T03:27:04Z) - TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。
我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。
下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
論文 参考訳（メタデータ） (2025-09-07T09:36:51Z) - Interpretable AI for Time-Series: Multi-Model Heatmap Fusion with Global Attention and NLP-Generated Explanations [1.331812695405053]
本稿では,ResNetが生成するヒートマップと,グローバルに重み付けされた入力サリエンシを備えた再構成された2次元変換器を統合することで,モデル解釈可能性を向上させる新しいフレームワークを提案する。
本手法は、勾配重み付きアクティベーションマップ(ResNet)とトランスフォーマーのアテンションロールアウトを統合可視化にマージし、空間的・時間的アライメントを実現する。
臨床(ECG不整脈検出)および産業データセットに関する実証的評価は,有意な改善を示した。
論文 参考訳（メタデータ） (2025-06-30T20:04:35Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。
本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
論文 参考訳（メタデータ） (2025-05-31T16:38:29Z) - Target Networks and Over-parameterization Stabilize Off-policy Bootstrapping with Function Approximation [46.48569176651487]
オフ・プライシ・データにおいても,ブートストラップ値推定の収束条件が弱くなることを証明する。
計算結果をトラジェクトリによる学習に拡張し、小さな修正を施した全てのタスクに対して収束が達成可能であることを示す。
論文 参考訳（メタデータ） (2024-05-31T17:36:16Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through
Regularized Self-Attention [48.697458429460184]
情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。
本稿では,ERNIE-Sparseというモデルを提案する。
i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
論文 参考訳（メタデータ） (2022-03-23T08:47:01Z) - Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。
本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。
本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
論文 参考訳（メタデータ） (2021-12-06T14:52:53Z)
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。