論文の概要: TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting

• arxiv url: http://arxiv.org/abs/2607.06349v1
• Date: Tue, 07 Jul 2026 14:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.558377
• Title: TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting
• Title（参考訳）: TopoBrick: ゼロショットビルディングIoT予測のための外因性変数のエージェントトポロジサンプリング
• Abstract要約: TopoBrickは、IoT(Internet-of-Things)予測をゼロショットで構築するための、トレーニング不要のフレームワークです。 TopoBrickは、知識グラフを構築して、コンパクトな構造骨格を構築し、エージェントトポロジーサンプリング器を使用して、ターゲット固有の変数を選択する。 3つの現実世界の建物の中で、TopoBrickは強力なゼロショット基礎モデルのベースラインを上回り、完全に訓練された建物固有のモデルと競争している。
• 参考スコア（独自算出の注目度）: 22.344499008455973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building sensors are embedded in physical topology, spatial hierarchy, and operational context, yet existing forecasters often treat them as isolated time series or rely on fixed covariate sets. We present TopoBrick, a training-free framework for zero-shot building IoT (Internet-of-Things) forecasting. TopoBrick uses building knowledge graphs to construct a compact structural skeleton and employs an agentic topology sampler to select target-specific exogenous variables. The selected variables are organized by deployment-time availability, separating past-known sensor states from future-known calendar, schedule, and meteorological exogenous variables. Across three real-world buildings, TopoBrick outperforms strong zero-shot foundation-model baselines and remains competitive with fully trained building-specific models. Ablations show that topology-aware sampling is more reliable than random, ontology-only, or fixed-hop selection, especially for physically coupled HVAC and weather-driven sensing variables.
• Abstract（参考訳）: ビルディングセンサーは物理的トポロジ、空間階層、運用コンテキストに埋め込まれているが、既存の予測器はそれらを孤立した時系列として扱うか、固定された共変量集合に依存する。 TopoBrickは、IoT(Internet-of-Things)予測をゼロショットで構築するための、トレーニング不要のフレームワークです。 TopoBrickは、知識グラフを構築して、コンパクトな構造骨格を構築し、エージェントトポロジーサンプリング器を使用して、ターゲット固有の外因性変数を選択する。 選択された変数は、デプロイ時の可用性によって整理され、過去の既知のセンサ状態を、将来の既知のカレンダー、スケジュール、気象外生変数から分離する。 3つの現実世界の建物の中で、TopoBrickは強力なゼロショット基礎モデルのベースラインを上回り、完全に訓練された建物固有のモデルと競争している。 アブレーションにより、トポロジを意識したサンプリングは、特に物理的に結合したHVACと気象による検知変数に対して、ランダム、オントロジーのみ、または固定ホップ選択よりも信頼性が高いことが示されている。

関連論文リスト

• Trio: Learning Time-Series Forecasting with Temporal-Spatial-Sample Attention and Structural Causal Priors [27.20677965052]
  近年のPFN(Presideed-Data Fitted Networks)は、合成タスクが伝達可能な推論動作の学習に役立つことを示唆している。 本稿では,Trioを提案する。Trioは時間-空間-サンプルの注意に基づく時系列予測アーキテクチャである。 本研究では,時間系列構造因果モデル (TS-SCM) を用いて,動的ラグ,異種間相互作用,ノイズ,フィードバック,分布ドリフトを含む構造化された合成予測タスクを生成する。
  論文  参考訳（メタデータ） (2026-06-05T14:01:58Z)
• Feature to Dynamics: Feature-space to Autoregression strategy for Zero-shot Time Series Forecasting [18.764728642533615]
  時系列予測は、以前は目に見えないシリーズの将来の値を予測することを目的としている。 近年の基盤モデルでは,大規模事前学習によりドメイン内性能が向上している。 ゼロショット単変量予測制御のための機能 to ストラテジーフレームワークであるFSAを提案する。
  論文  参考訳（メタデータ） (2026-05-31T15:20:14Z)
• Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
  KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
  論文  参考訳（メタデータ） (2026-05-19T01:43:00Z)
• 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)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation in Construction Environments [1.4070907500169874]
  本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。 このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
  論文  参考訳（メタデータ） (2023-12-27T10:49:19Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• A machine learning and feature engineering approach for the prediction of the uncontrolled re-entry of space objects [1.0205541448656992]
  低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。 このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。 この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
  論文  参考訳（メタデータ） (2023-03-17T13:53:59Z)

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。