模型失效还是数据损坏？基于自监督对比学习探索建筑能效评级的不一致性
机器学习
2024-04-22 v1 人工智能
摘要
建筑能效评级（BER）是一项关键指标，使建筑所有者、政策制定者和城市规划者能够了解通过提高建筑能效所实现的节能潜力。因此，提升建筑的 BER 水平有望直接促进碳排放减少并推动气候改善。尽管如此，BER 评估过程容易受到测量缺失和不准确的影响。在本研究中，我们引入了 \texttt{CLEAR}，这是一种数据驱动方法，旨在通过自监督对比学习来审查 BER 评估中的不一致性。我们使用代表爱尔兰建筑存量的数据集验证了 \texttt{CLEAR} 的有效性。我们的实验揭示了 BER 评估不一致的证据，突显了该真实世界数据集中测量数据的损坏。
引用
@article{arxiv.2404.12399,
title = {Model Failure or Data Corruption? Exploring Inconsistencies in Building Energy Ratings with Self-Supervised Contrastive Learning},
author = {Qian Xiao and Dan Liu and Kevin Credit},
journal= {arXiv preprint arXiv:2404.12399},
year = {2024}
}