論文の概要: Validated Data Onboarding for AI Demand Forecasting on U.S. Building Meter Data: Design, Controlled Evaluation, and a Corrected Negative Result

• arxiv url: http://arxiv.org/abs/2610.02397v1
• Date: Thu, 01 Oct 2026 19:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.057482
• Title: Validated Data Onboarding for AI Demand Forecasting on U.S. Building Meter Data: Design, Controlled Evaluation, and a Corrected Negative Result
• Title（参考訳）: 米国の建築メータデータに基づくAI需要予測のための検証データオンボーディング:設計、制御された評価、修正された否定結果
• Abstract要約: 本報告では,モデルがトレーニングされる前に欠陥を検出し,修復するデータオンボーディングパイプラインを提案する。 制御された実験は、パイプラインが24時間前の予測を保護するかどうかを測定する。 すべての数値は、SHA-256検証、84の自動テスト、継続的インテグレーションによるピン付き公開入力から再現可能である。
• 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: Electric utilities and grid operators increasingly rely on machine-learning models to forecast next-day demand, and those models learn from meter data that is routinely defective: readings go missing, sensors freeze, buildings read zero for hours, and units change by a factor of 100. This report presents a data-onboarding pipeline that detects and repairs such defects before a model is trained, using only information available at forecast time, and a controlled experiment that measures whether the pipeline protects a 24-hour-ahead forecast. On hourly electricity data for twelve U.S. buildings from the public Building Data Genome 2 dataset (210,528 rows, 2016-2017), seeded, hash-logged defects touching 0.10% of the training period raised the error of a gradient-boosting forecaster by 86%; after detection and past-only repair the error returned to the clean-data level (mean absolute scaled error 0.760 clean, 1.415 corrupted, 0.729 repaired) while 93% of training targets were retained. At a defect prevalence calibrated to published field studies (1.6% of training rows) the unprotected forecaster's error reached 4.4 times that of a seasonal-naive rule, and the repaired forecaster again matched the clean baseline. The same pattern held for ridge regression and a random forest and across horizons of 1 to 24 hours. A first version of the pipeline over-cleaned natural data and made forecasts 25% worse; that result is retained, its cause is traced in the published artifacts, and the per-building calibration that corrects it is documented as a dated amendment. Every number is reproducible from pinned public inputs with SHA-256 verification, 84 automated tests and continuous integration.
• Abstract（参考訳）: 電力会社やグリッドオペレーターは、次の需要を予測するために機械学習モデルをますます頼りにしており、これらのモデルは、読み取りが失われ、センサーが凍結し、建物は何時間も読み切れず、ユニットが100倍に変化するという、日常的な欠陥のあるデータから学習している。 本報告では,モデルがトレーニングされる前に,予測時に利用可能な情報のみを用いて,そのような欠陥を検出し,修復するデータオンボーディングパイプラインと,パイプラインが24時間前向きの予測を保護しているかどうかを測定する制御実験について述べる。 公共ビルディングデータジェノミー2データセット(210,528行、2016-2017年)の12棟の時間毎の電気データでは、訓練期間の0.10%に触れたハッシュログの欠陥により、勾配ブーイング予測器の誤差が86%上昇し、検出と過去の修理の後、エラーはクリーンデータレベル(絶対スケールエラー0.760、クリーニング1.415、修理0.729)に戻され、訓練対象の93%は維持された。 フィールド研究で校正された欠陥(トレーニング行の1.6%)では、保護されていない予測者の誤差は季節的なナイーブ規則の4.4倍に達し、修復された予測者は再びクリーンなベースラインと一致した。 同じパターンは尾根の回帰とランダムな森林、地平線を1時間から24時間にわたって横断する。 パイプラインの最初のバージョンは、自然データをオーバークリーニングし、予測を25%悪化させ、その結果は保持され、その原因は公開されたアーティファクトに追跡され、それを修正したビルド毎の校正は、日付付き修正として文書化されている。 すべての数値は、SHA-256検証、84の自動テスト、継続的インテグレーションによるピン付き公開入力から再現可能である。

関連論文リスト

• Routing Probes Can Improve Without New Information: An Exact-Null Audit of Uncertainty Beyond Model Outputs [14.727396825167917]
  現代の視覚変換器のルーティング信号は、しばしばモデルが正しいかどうかを予測するプローブを改善する。 この推論は、解離データに固定された凍結出力のみのジェネレータから正当性ラベルを再描画することによって直接テストする。 実正性ラベルについて、条件解析は、DeiTの5つの注意-残留族におけるモデル的証拠をもたらす。
  論文  参考訳（メタデータ） (2026-09-30T04:22:18Z)
• Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting [4.1751058176413105]
  古典的、断続的、機械学習、ディープラーニング、事前訓練された基礎モデルにまたがる38の予測手法をベンチマークした。 予測精度ランクと注文サービスランクは、20,330の実際のマルチイテムオーダーで評価された手法に対して、工業パネルにおいて-0.555で負の相関関係を持つ。 断続的な需要に対しては、最も低いエラー予測は最高のサービスを提供する必要はない。
  論文  参考訳（メタデータ） (2026-09-12T09:51:30Z)
• CUSUM-Shaped Inference-Time Monitoring and Targeted Re-Decoding for Quantized Small Language Model Reasoning [0.6999740786886536]
  MGT-Bは、事前サンプリングの不確かさと変性の特徴の重なり合う窓を、位置条件による経験的尾の確率にマップする。 ログしきい値h=10のマニュアル選択後に最初に観察された問題同一性に対して,その効果が持続するかどうかを検証した。 どちらの分析も確証がなく、実証的要因は有効な電子プロセスや電子検出器として確立されていない。
  論文  参考訳（メタデータ） (2026-07-22T13:34:17Z)
• Spiking the training data to correct for test set contamination [28.940486760749025]
  そこで本研究では,テスト例を意識的に既知の速度で汚染することにより,トレーニングデータをスパイクする手法を提案する。 スパイクされた例は、インフレーションされたテストスコアの統計的補正を可能にするモデル記憶の予測器の校正に使用することができる。
  論文  参考訳（メタデータ） (2026-05-24T02:06:59Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Regularization methods for the short-term forecasting of the Italian electric load [77.34726150561087]
  イタリアの電力負荷の24のプロファイル全体を予測する問題はマルチタスク学習問題として対処される。 96x96行列重みは96x96行列を形成し、正方形の領域にサンプリングされた表面として見ることができる。 表面の自由度を下げるための規則化とスパーシリティの異なるアプローチを探索し、得られた予測をイタリアのトランスミッション・システム・オペレーター・テルナの予測と比較した。
  論文  参考訳（メタデータ） (2021-12-08T22:15:06Z)
• Limitations of machine learning for building energy prediction: ASHRAE Great Energy Predictor III Kaggle competition error analysis [0.0]
  ASHRAE Great Energy Predictor III (GEPIII) Kaggleコンペティションは、史上最大の建築エネルギーメーター機械学習コンペティションである。 本稿では,コンペティション上位50の解の集合から,残差モデル誤差の様々な原因と種類を解析する。 結果は、機械学習モデルがテストデータの79.1%の許容範囲内でエラーを持っていることを示している。
  論文  参考訳（メタデータ） (2021-06-25T07:40:42Z)

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。