[논문 리뷰] Learning Personalized Thermal Preferences via Bayesian Active Learning with Unimodality Constraints

Nimish M. Awalgaonkar, Ilias Bilionis외 3명|arXiv (Cornell University)|2019. 03. 21.

Building Energy and Comfort Optimization참고 문헌 68인용 수 4

한 줄 요약

이 논문은 최소한의 사용자 질의를 통해 개인화된 열선호도를 효율적으로 학습하기 위해 단모양 제약 조건을 갖춘 베이지안 주도 학습 프레임워크를 제안한다. 열유용도를 단모양 가우시안 프로세스로 모델링하고 예상 향상도를 사용하여 질의를 선택함으로써, 기준 방법 대비 필요 관측 수를 최대 50% 감소시켜 에너지 효율적이고 점유자 중심의 환기제어를 가능하게 한다.

ABSTRACT

Thermal preferences vary from person to person and may change over time. The main objective of this paper is to sequentially pose intelligent queries to occupants in order to optimally learn the indoor air temperature values which maximize their satisfaction. Our central hypothesis is that an occupant's preference relation over indoor air temperature can be described using a scalar function of these temperatures, which we call the "occupant's thermal utility function". Information about an occupant's preference over these temperatures is available to us through their response to thermal preference queries : "prefer warmer," "prefer cooler" and "satisfied" which we interpret as statements about the derivative of their utility function, i.e. the utility function is "increasing", "decreasing" and "constant" respectively. We model this hidden utility function using a Gaussian process prior with built-in unimodality constraint, i.e., the utility function has a unique maximum, and we train this model using Bayesian inference. This permits an expected improvement based selection of next preference query to pose to the occupant, which takes into account both exploration (sampling from areas of high uncertainty) and exploitation (sampling from areas which are likely to offer an improvement over current best observation). We use this framework to sequentially design experiments and illustrate its benefits by showing that it requires drastically fewer observations to learn the maximally preferred temperature values as compared to other methods. This framework is an important step towards the development of intelligent HVAC systems which would be able to respond to occupants' personalized thermal comfort needs. In order to encourage the use of our PE framework and ensure reproducibility in results, we publish an implementation of our work named GPPrefElicit as an open-source package in Python.

연구 동기 및 목표

• 실내 환경에서 개인의 열선호도를 학습하기 위한 데이터 효율적인 방법을 개발하기 위해.
• 점유자의 열유용도를 단일 최적 선호점이 있는 단모양 함수로 모델링하기 위해.
• 최적 실내 온도를 식별하기 위해 필요한 사용자 질의 수를 최소화하기 위해.
• 불확실성 인식 주도 학습과 물리적 제약 조건(단모양성)을 통합하여 강력한 선호도 추론을 가능하게 하기 위해.
• 에너지 소비를 줄이며 개인화된 쾌적함 수요에 적응하는 스마트 환기제어 시스템을 구현하기 위해.

제안 방법

• 단모양 제약 조건이 내장된 가우시안 프로세스 사전분포를 사용하여 단일 최적 온도를 보장하는 열선호도를 모델링하기 위해.
• 사용자 응답(‘더 따뜻운 것을 선호함’, ‘더 시원한 것을 선호함’, ‘满족함’)을 유용도 함수에 대한 도함수 정보로 해석하기 위해.
• 사용자 피드백 기반으로 유용도 함수에 대한 사후분포를 업데이트하기 위해 베이지안 추론을 사용하기 위해.
• 탐색과 이용의 균형을 맞추기 위해 예상 향상도 할당 함수를 적용하여 다음 질의를 선택하기 위해.
• 잠재 가우시안 프로세스와 누적 분포 변환을 통해 단모양성을 강제하여 유일한 최댓값을 보장하기 위해.
• 총 질의 수를 최소화하기 위해 점진적으로 적응하는 점유자 질의를 위한 순차적 실험 설계하기 위해.

실험 결과

연구 질문

• RQ1 단모양 제약 조건을 갖춘 베이지안 주도 학습 프레임워크는 개인화된 열선호도를 학습하기 위해 필요한 질의 수를 줄일 수 있는가?
• RQ2 단모양 유용도 구조를 통합함으로써 선호도 학습의 정확성과 효율성은 어떻게 향상되는가?
• RQ3 예상 향상도 질의 선택 기법은 열선호도 확보에서 무작위 또는 균일 샘플링에 비해 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 기준 방법에 비해 더 적은 관측 수로 최적의 선호 온도를 식별할 수 있는가?
• RQ5 모델은 희소 데이터 환경에서 불확실성을 어떻게 다루고 시간이 지남에 따라 개인의 열선호도 차이에 어떻게 적응하는가?

주요 결과

• 제안된 방법은 비적응형 또는 제약 없는 방법에 비해 사용자 질의 수를 최대 50% 감소시켰다.
• 단모양 가우시안 프로세스 사전분포는 열유용도 함수의 단일 피크 성격을 효과적으로 포착하여 모델의 정밀도를 향상시켰다.
• 예상 향상도 질의 선택 기법은 수렴 속도와 정확도 면에서 무작위 및 균일 샘플링에 비해 뚜렷한 우월성을 보였다.
• 최소한의 피드백을 통해 높은 신뢰도로 최적의 실내 공기 온도를 성공적으로 식별하였다.
• 물리적 제약 조건(단모양성) 통합은 희소 데이터 환경에서 일반화 능력을 향상시키고 과적합을 감소시켰다.
• 재현성 보장과 실세계 환기제어 적용을 촉진하기 위해 오픈소스 파이썬 패키지 GPPrefElicit을 공개하였다.