Buchumschlag

GenTL: A General Transfer Learning Model for Building Thermal Dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Raisch, Fabian, Krug, Thomas, Goebel, Christoph, Tischler, Benjamin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Systems and Control Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

BuilDyn: Excitation-Driven Data Generation for Building Thermal Dynamics Modeling and Control
von: Koch, Felix, et al.
Veröffentlicht: (2026)

Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts
von: Raisch, Fabian, et al.
Veröffentlicht: (2025)

Thermal-GEMs: Generalized Models for Building Thermal Dynamics
von: Koch, Felix, et al.
Veröffentlicht: (2026)

BUILDA: A Thermal Building Data Generation Framework for Transfer Learning
von: Krug, Thomas, et al.
Veröffentlicht: (2025)

Transfer Learning for Neural Parameter Estimation applied to Building RC Models
von: Raisch, Fabian, et al.
Veröffentlicht: (2026)

A Highly Configurable Framework for Large-Scale Thermal Building Data Generation to drive Machine Learning Research
von: Krug, Thomas, et al.
Veröffentlicht: (2025)

Counter-Dyna: Data-Efficient RL-Based HVAC Control using Counterfactual Building Models
von: de Vargas, Jan Marco Ruiz, et al.
Veröffentlicht: (2026)

BOOST-RPF: Boosted Sequential Trees for Radial Power Flow
von: Okoyomon, Ehimare, et al.
Veröffentlicht: (2026)

Physics-Informed Inductive Biases for Voltage Prediction in Distribution Grids
von: Okoyomon, Ehimare, et al.
Veröffentlicht: (2025)

State-Space Models for Tabular Prior-Data Fitted Networks
von: Koch, Felix, et al.
Veröffentlicht: (2025)

GenCtrl -- A Formal Controllability Toolkit for Generative Models
von: Cheng, Emily, et al.
Veröffentlicht: (2026)

Learning Generative Models for Climbing Aircraft from Radar Data
von: Pepper, Nick, et al.
Veröffentlicht: (2023)

DDD-GenDT: Dynamic Data-driven Generative Digital Twin Framework
von: Lin, Yu-Zheng, et al.
Veröffentlicht: (2024)

Feedforward Controllers from Learned Dynamic Local Model Networks with Application to Excavator Assistance Functions
von: Greiser, Leon, et al.
Veröffentlicht: (2024)

Transfer of Safety Controllers Through Learning Deep Inverse Dynamics Model
von: Nadali, Alireza, et al.
Veröffentlicht: (2024)

Fault Detection in New Wind Turbines with Limited Data by Generative Transfer Learning
von: Jonas, Stefan, et al.
Veröffentlicht: (2025)

SuperGen: An Efficient Ultra-high-resolution Video Generation System with Sketching and Tiling
von: Ye, Fanjiang, et al.
Veröffentlicht: (2025)

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: Generalized Baselines
von: Schiffer, Benjamin, et al.
Veröffentlicht: (2024)

On Building Myopic MPC Policies using Supervised Learning
von: Orrico, Christopher A., et al.
Veröffentlicht: (2024)

A Real-World Energy Management Dataset from a Smart Company Building for Optimization and Machine Learning
von: Engel, Jens, et al.
Veröffentlicht: (2025)

Learning Exactly Linearizable Deep Dynamics Models
von: Moriyasu, Ryuta, et al.
Veröffentlicht: (2023)

FedECADO: A Dynamical System Model of Federated Learning
von: Agarwal, Aayushya, et al.
Veröffentlicht: (2024)

Diffusion Sequence Models for Generative In-Context Meta-Learning of Robot Dynamics
von: Moroncelli, Angelo, et al.
Veröffentlicht: (2026)

Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes
von: Ewering, Jan-Hendrik, et al.
Veröffentlicht: (2025)

A Unified Approach for Learning the Dynamics of Power System Generators and Inverter-based Resources
von: Liu, Shaohui, et al.
Veröffentlicht: (2024)

Wind Power Scenario Generation based on the Generalized Dynamic Factor Model and Generative Adversarial Network
von: Cho, Young-ho, et al.
Veröffentlicht: (2025)

Quantifying and Predicting Residential Building Flexibility Using Machine Learning Methods
von: Salter, Patrick, et al.
Veröffentlicht: (2024)

Adaptive Federated Learning via Dynamical System Model
von: Agarwal, Aayushya, et al.
Veröffentlicht: (2025)

Identifiable Representation and Model Learning for Latent Dynamic Systems
von: Zhang, Congxi, et al.
Veröffentlicht: (2024)

Transfer Learning of Multiobjective Indirect Low-Thrust Trajectories Using Diffusion Models and Markov Chain Monte Carlo
von: Graebner, Jannik, et al.
Veröffentlicht: (2026)

BEAVER: Building Environments with Assessable Variation for Evaluating Multi-Objective Reinforcement Learning
von: Liu, Ruohong, et al.
Veröffentlicht: (2025)

An IoT Framework for Building Energy Optimization Using Machine Learning-based MPC
von: Morteza, Aryan, et al.
Veröffentlicht: (2024)

Heat Death of Generative Models in Closed-Loop Learning
von: Marchi, Matteo, et al.
Veröffentlicht: (2024)

Transfer Learning for Control Systems via Neural Simulation Relations
von: Nadali, Alireza, et al.
Veröffentlicht: (2024)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

Learning based Modelling of Throttleable Engine Dynamics for Lunar Landing Mission
von: Kumar, Suraj, et al.
Veröffentlicht: (2025)

Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies
von: Kwon, Kyung-Bin, et al.
Veröffentlicht: (2025)

Dyna-Style Reinforcement Learning Modeling and Control of Non-linear Dynamics
von: Abdelsalam, Karim, et al.
Veröffentlicht: (2025)

Model-free Reinforcement Learning for Model-based Control: Towards Safe, Interpretable and Sample-efficient Agents
von: Banker, Thomas, et al.
Veröffentlicht: (2025)

Learning Dissipative Neural Dynamical Systems
von: Xu, Yuezhu, et al.
Veröffentlicht: (2023)