論文の概要: Automated Brick Schema Knowledge Graph Completion Across Buildings

• arxiv url: http://arxiv.org/abs/2610.27339v1
• Date: Mon, 19 Oct 2026 22:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.531513
• Title: Automated Brick Schema Knowledge Graph Completion Across Buildings
• Title（参考訳）: 建物全体のBrick Schema知識グラフ補完を自動化する
• Abstract要約: Brickスキーマは、構築機器、センサー、空間、およびそれらの間の関係を、タイプ付きマルチリレーショナルグラフとして表現する。 現在のBrickモデルの生成には、設計図やポイントリストの広範な手作業による検証が必要である。 我々は,Brickモデルが知識グラフであるため,知識グラフの完備化問題として,不備な関係を推測することが自然に考えられる。
• 参考スコア（独自算出の注目度）: 3.244392748278024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Brick schema represents building equipment, sensors, spaces, and the relationships between them as typed, multi-relational graphs, providing machine-readable metadata that supports generalizable control applications. Current methods for producing complete Brick models require extensive manual examination of building schematics and point lists. We observe that as Brick models are knowledge graphs, inferring missing relations is naturally posed as a knowledge graph completion problem. To the best of our knowledge, this is the first application of knowledge graph completion to Brick model generation. We compare three methods, gradient-boosted trees, Pairwise Brick Relation Ranking, and CompGCN, on the relations feeds, hasPart, and hasPoint, which account for the majority of the schematic-reading work in building a Brick model by hand. Models are evaluated on held-out MORTAR buildings and out-of-distribution Kaggle and Building Time Series data. Although CompGCN is the strongest performer on held-out buildings under metrics resistant to class imbalance, leading macro-F1 and AUPRC, no method generalizes uniformly across datasets or relations.
• Abstract（参考訳）: Brickスキーマは、デバイス、センサー、スペース、およびそれらの間の関係をタイプされたマルチリレーショナルグラフとして表現し、汎用的な制御アプリケーションをサポートするマシン可読なメタデータを提供する。 現在のBrickモデルの生成には、設計図やポイントリストの広範な手作業による検証が必要である。 我々は,Brickモデルが知識グラフであるため,知識グラフの完備化問題として,不備な関係を推測することが自然に考えられる。 我々の知る限りでは、これはBrickモデル生成に対する知識グラフ補完の最初の応用である。 我々は,3つの手法,勾配木,Pairwise Brick Relation Ranking,CompGCN,関係フィード,hasPart,hasPointを比較した。 モデルはMORTARビルディングとアウト・オブ・ディストリビューションのKaggleおよびBuilding Time Seriesデータに基づいて評価される。 CompGCNは、クラス不均衡に抵抗するメトリクスの下で、マクロF1とAUPRCをリードするホールトアウトビルディングにおいて最強のパフォーマーであるが、データセットや関係を均一に一般化する手法は存在しない。

関連論文リスト

• Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification [5.1315088460488525]
  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。
  論文  参考訳（メタデータ） (2026-06-16T07:46:51Z)
• Model Graph Inductive Learning for Knowledge Graph Completion [0.0]
  知識グラフにおけるリンク予測は、エンティティと関係性の学習された埋め込みの品質に依存する。 モデルグラフ帰納学習(bftextMGIL)は,クラスタリングエンティティによってモデルグラフを構築するフレームワークである。 次に、GNNをモデルグラフに適用して、知識グラフのグローバルなビューをキャプチャする埋め込みを生成する。
  論文  参考訳（メタデータ） (2026-06-15T10:13:27Z)
• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• AutoG: Towards automatic graph construction from tabular data [60.877867570524884]
  本稿では,グラフ構築問題を形式化し,効果的な解法を提案する。 既存の自動工法は特定の場合にのみ適用できる。 本稿では,グラフ構築手法の形式化と評価を行うデータセットについて述べる。 第2に,高品質なグラフスキーマを自動生成するLLMベースのソリューションAutoGを提案する。
  論文  参考訳（メタデータ） (2025-01-25T17:31:56Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
  我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。 知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
  論文  参考訳（メタデータ） (2022-11-04T20:38:12Z)
• I Know What You Do Not Know: Knowledge Graph Embedding via Co-distillation Learning [16.723470319188102]
  知識グラフの埋め込みは、実体と関係のベクトル表現を学習しようとする。 近年の研究では、事前学習された言語モデルを用いて、実体や関係のテキスト情報に基づいて埋め込みを学習している。 我々は,グラフ構造とテキスト情報の補完を利用するKG Embeddingの共蒸留学習手法であるCoLEを提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:34:37Z)

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。