論文の概要: Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

• arxiv url: http://arxiv.org/abs/2606.17637v1
• Date: Tue, 16 Jun 2026 07:46:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.338178
• Title: Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification
• Title（参考訳）: Brick-DICL:自動Brickスキーマ分類のための動的インコンテキスト学習
• Authors: Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky,
• Abstract要約: 本稿では,Brickスキーマの自動分類のための2段階動的インコンテキスト学習フレームワークであるBrick-DICLを提案する。 Brick-DICLは2つの主要なコンポーネントで構成されている。メタデータ-RAGは関連する例を検索し、クラス-RAGは潜在的なBrickクラスを絞り込む。 大規模な実験では、Brick-DICLがさまざまなビルディングデータセットにまたがって有効であることを実証している。
• 参考スコア（独自算出の注目度）: 5.1315088460488525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building Management Systems (BMS) are essential for optimizing energy efficiency and operational performance in modern buildings. However, the lack of standardization across BMS points from different manufacturers creates significant barriers to integration and data utilization. While the Brick schema offers a standardized ontology for building systems, mapping BMS points to appropriate Brick classes presents three critical challenges: (i) the extensive number of Brick classes (936 in the latest version), (ii) limited domain-specific knowledge in large language models (LLMs), and (iii) substantial manual effort required for verification. To address these challenges, we propose Brick-DICL, a two-stage dynamic in-context learning framework for automated Brick schema classification. Brick-DICL consists of two primary components: metadata-RAG, which retrieves relevant examples to enhance LLMs' domain knowledge, and class-RAG, which narrows down potential Brick classes to address the large classification space. Additionally, we implement a multi-LLM filtering mechanism that compares predictions across multiple models, flagging low-confidence classifications for human review. As a result: (i) General: Brick-DICL is applicable to any building management system regardless of manufacturer or metadata format; (ii) Novel and Powerful: as the first dynamic in-context learning approach for Brick schema classification, Brick-DICL achieves significant classification accuracy improvements on building datasets, outperforming existing methods; (iii) Efficient: our multi-LLM filtering strategy reduces manual verification effort, enabling rapid digital building onboarding. Extensive experiments demonstrate Brick-DICL's effectiveness across diverse building datasets, accelerating the path toward standardized, interoperable building management systems.
• Abstract（参考訳）: ビル管理システム(BMS)は,近代建築におけるエネルギー効率と運転性能の最適化に不可欠である。 しかし、BMSポイント間の標準化の欠如は、統合とデータ利用に大きな障壁をもたらす。 Brickスキーマは、システム構築のための標準化オントロジーを提供するが、BMSポイントを適切なBrickクラスにマッピングすることは、3つの重要な課題を示す。 (i) Brick クラスの多さ (最新バージョンでは936) (二)大言語モデル(LLM)におけるドメイン固有知識の制限、及び 三 検証に要する実質的な手作業 これらの課題に対処するため,Brickスキーマの自動分類のための動的動的テキスト内学習フレームワークであるBrick-DICLを提案する。 Brick-DICLは2つの主要なコンポーネントで構成されている。メタデータ-RAGはLLMのドメイン知識を強化するために関連する例を検索し、クラス-RAGはBrickクラスを縮小して大きな分類空間に対処する。 さらに,マルチLLMフィルタリング機構を実装し,複数のモデル間の予測を比較し,人間のレビューのために低信頼度分類をフラグ付けする。 その結果: 一 一般:Brick-DICLは、製造者又はメタデータの形式にかかわらず、いかなるビル管理システムにも適用することができる。 (ii)新規かつ強力:Brickスキーマ分類のための最初の動的インコンテキスト学習アプローチとして、Brick-DICLは、既存の手法よりも優れた、データセット構築における重要な分類精度の向上を実現している。 有効:我々のマルチLLMフィルタリング戦略は、手動検証の労力を減らし、高速なデジタルビルディングの実現を可能にする。 大規模な実験では、Brick-DICLがさまざまなビルディングデータセットにまたがって有効であることを示し、標準化された相互運用可能なビルディング管理システムへの道のりを加速している。

関連論文リスト

• Brick-Composer: Using MLLMs for Assembly with Diverse Bricks [64.5380622477211]
  ブロック組立に必要な視覚的接地と空間的推論能力を有する多モーダル大言語モデル(MLLM)について検討した。 BC-Benchは,多様なブロックを持つアセンブリ上でMLLMを評価するための最初のベンチマークである。 Brick-ComposerはMLLMに3つの補完信号による組立スキルを組み込む学習フレームワークである。
  論文  参考訳（メタデータ） (2026-06-03T21:08:06Z)
• OpenCompass: A Universal Evaluation Platform for Large Language Models [62.59671563145442]
  汎用大規模言語モデル (LLM) は, 技術の進歩において重要なリンクとなっている。 メインストリームベンチマークデータセットは、タスクタイプの多様性、一貫性のない評価基準、データと処理の断片化といった課題に直面している。 本稿では,ワンストップ,スケーラブル,高精度な汎用評価プラットフォームであるOpen LLMをオープンソースとして提案する。
  論文  参考訳（メタデータ） (2026-05-19T02:50:11Z)
• Benchmarking Requirement-to-Architecture Generation with Hybrid Evaluation [8.867061253116367]
  大規模言語モデル(LLM)は、ソフトウェアエンジニアリングタスクの自動化において大きな可能性を証明している。 要件文書からソフトウェアアーキテクチャ設計を生成することは、ソフトウェア開発における重要なステップである。 R2ABenchは、さまざまな現実世界のソフトウェアプロジェクトと、包括的製品要求文書(PRD)と専門家による参照図を組み合わせた、新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-04-08T04:58:36Z)
• Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models [78.73992315826035]
  ネイティブエージェントインテリジェンスと高い計算効率を調和させる軽量言語モデルであるYoutu-LLMを紹介する。 Youtu-LLMは、スクラッチから体系的に推論と計画能力の育成まで事前訓練されている。
  論文  参考訳（メタデータ） (2025-12-31T04:25:11Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)

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。