Fugu-MT 論文翻訳(概要): Very Exciting: Zero-Shot Model Predictive Control of Buildings via Excitation-Based Generalized Transfer Learning Models

論文の概要: Very Exciting: Zero-Shot Model Predictive Control of Buildings via Excitation-Based Generalized Transfer Learning Models

arxiv url: http://arxiv.org/abs/2609.12853v2
Date: Tue, 15 Sep 2026 15:25:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.076411
Title: Very Exciting: Zero-Shot Model Predictive Control of Buildings via Excitation-Based Generalized Transfer Learning Models
Title（参考訳）: 非常にエキサイティング: 励磁型一般化伝達学習モデルによる建築物のゼロショットモデル予測制御
Abstract要約: トランスファーラーニングは、ターゲット・ビルディング・モデリングの注目を集めている。 State-of-the-art TLアプローチは、標準的な運用データを使用して、複数のソースビルディング上の一般化モデルを事前訓練した。良好な制御性能を達成するには,このアプローチが不十分であることを示す。
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: The widespread adoption of data-driven, energy-efficient model predictive control (MPC) in buildings remains hindered by substantial effort to collect data and train models for individual buildings. Transfer learning (TL) has consequently gained increasing attention for target building modeling, as it reduces data requirements and modeling effort by reusing pretrained source models. However, these TL models are typically evaluated only on prediction accuracy in the target, without testing downstream control performance. To address this gap, we apply a state-of-the-art TL approach - pretraining a generalized model on multiple source buildings using standard operational data - within an MPC setup in a target building. We show that this approach is insufficient to achieve satisfactory control performance. As a solution, we introduce generalized models pretrained on excitation-based operational source data - purposefully probed inputs that explore the building's state-action space. For evaluation, we apply the generalized models via zero-shot (i.e., without fine-tuning) to 32 simulated target buildings and assess MPC performance. Our results show that excitation-based generalized models achieve the strongest control performance among all benchmarks, outperforming an online linear model-based MPC and a PI controller by 6.4% and 36.9%, respectively. By combining strong control performance with the ability to generalize across multiple buildings, without requiring any target-specific data, our approach reduces MPC setup cost and simplifies its widespread deployment in the building sector.
Abstract（参考訳）: データ駆動でエネルギー効率のよいモデル予測制御(MPC)を建物に広く導入することは、個々の建物のためのデータ収集やモデルを訓練する大きな努力によって妨げられている。トランスファーラーニング(TL)は、事前訓練されたソースモデルを再利用することによって、データ要求とモデリングの労力を減らすため、ターゲットとなるビルディングモデリングに注目が集まっている。しかし、これらのTLモデルは通常、下流制御性能をテストすることなく、目標の予測精度に基づいて評価される。このギャップに対処するために、ターゲットビルディング内のMPC設定内に、最先端のTLアプローチ(標準的な運用データを用いて複数のソースビルディングに一般化されたモデルを事前学習する)を適用する。良好な制御性能を達成するには,このアプローチが不十分であることを示す。解決策として,提案手法では,建物の状態-動作空間を探索する入力を意図的に探索する,励起に基づく運用ソースデータに基づいて事前訓練された一般化モデルを導入する。評価には, ゼロショット(微調整なし)による一般化モデルを32の模擬対象建物に適用し, MPCの性能評価を行う。本結果より, オンライン線形モデルベースMPCとPIコントローラをそれぞれ6.4%, 36.9%向上し, 最大制御性能が得られた。本手法は,MPCの設置コストを低減し,建築セクターへの展開を簡素化する。

関連論文リスト

BuilDyn: Excitation-Driven Data Generation for Building Thermal Dynamics Modeling and Control [0.0]
本稿では、制御指向データ生成のためのカスタマイズ可能な励起戦略を可能にするパッケージであるBuilDynを紹介する。本研究では,データ駆動型MLモデルの性能を比較することで,BuilDynの利点を実証する。
論文参考訳（メタデータ） (2026-05-28T12:30:50Z)
On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
論文参考訳（メタデータ） (2026-05-12T11:33:49Z)
Thermal-GEMs: Generalized Models for Building Thermal Dynamics [0.0]
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。
論文参考訳（メタデータ） (2026-04-07T09:50:57Z)
Tool Zero: Training Tool-Augmented LLMs via Pure RL from Scratch [63.40752011615843]
ツール強化言語モデルのトレーニングは、複雑なタスクの能力を高めるための有望なアプローチとして登場した。規則に基づく強化学習のための動的一般化誘導型報酬設計を提案する。本研究では,SFTモデルとRL-with-SFTモデルと比較して7%以上の性能向上を実現していることを示す。
論文参考訳（メタデータ） (2025-11-02T16:33:45Z)
One Model to Critique Them All: Rewarding Agentic Tool-Use via Efficient Reasoning [54.580646706013965]
リワードモデル(RM)は、大きな言語モデルと人間の嗜好の整合において重要な役割を果たす。一般的なツール使用シナリオに適した軽量な生成型RMのファミリーであるToolRMを紹介する。これらのモデルを構築するために,ルールベースのスコアリングと多次元サンプリングを用いたペアワイズ選好データを構築するパイプラインを提案する。
論文参考訳（メタデータ） (2025-10-30T06:08:27Z)
Learning from Generalization Patterns: An Evaluation-Driven Approach to Enhanced Data Augmentation for Fine-Tuning Small Language Models [16.470481192733676]
PaDA-Agentは、SLMのデータ拡張プロセスを合理化する評価駆動型アプローチである。実験結果から,Llama 3.2 1Bインストラクトモデルファインタニングのための,最先端のLCMベースのデータ拡張手法に対する顕著な改善が示された。
論文参考訳（メタデータ） (2025-10-20T22:36:46Z)
Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
論文参考訳（メタデータ） (2024-10-22T06:43:28Z)
Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文参考訳（メタデータ） (2023-04-05T07:28:33Z)
Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文参考訳（メタデータ） (2023-02-08T07:37:51Z)
Physics-informed linear regression is a competitive approach compared to Machine Learning methods in building MPC [0.8135412538980287]
総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
論文参考訳（メタデータ） (2021-10-29T16:56:05Z)

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。