从一组图像中，一个具有适当的提示工程和领域知识的大型语言模型可以成功地估计与可持续发展计算相关的一系列建筑特征，并生成针对业主如何改进其物业的定制建议。

May, 2024

该研究致力于发布一个有注释的 ASHRAE Great Energy Predictor III 数据集版本，其中包含 1,413 个智能电表时间序列，为大规模异常检测的研究工作提供支持，并将八种先进的异常检测方法的性能与数据集进行了比较。

Mar, 2022

通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近 40,000 座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。

Jun, 2022

探索了一种基于能量的对比学习方法，将对比学习与基于能量的模型相结合，可以用于学习小型和中型数据集中的视觉表示，其在 MNIST、Fashion-MNIST、CIFAR-10 和 CIFAR-100 等数据集上都表现出了很好的结果，并相对于其他方法有 X4 到 X20 倍的加速。

Feb, 2022

本文针对自然灾害后修复领域中建筑物损伤图像处理问题，借助自监督孪生网络，提出了一种无需大量标注数据的方案，并在 xBD 数据集上得到了相对于基础模型和常用方法更好的表现，验证了自监督学习在建筑损伤图像识别方面的潜力。

May, 2022

研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。

Mar, 2023

利用零样本学习方法，本文提出了一种基于建筑能源模型的预测建筑能耗的方法，该方法使用侧面信息来预测最接近给定未知建筑类型的建筑类型，并在训练中学习建筑模型，并使用加权平均函数组合所预测的建筑能耗值，其平均精度比基于 XGBoost 的回归模型训练的知名建筑类型数据集更优。

Feb, 2022

该研究提出了一种建筑点云数据集，利用地理引用 LiDAR 数据与英国能源性能数据库相结合，实现建筑能源信息的数据驱动、大规模理解，为建筑能源建模提供了新的研究思路。

Jun, 2023

本文介绍了 CLEAR 数据集，通过一种新颖的、可扩展的、低成本的视觉语言数据集策划方法，利用预训练的视觉语言模型 CLIP 交互式地构建标记数据集并进行验证，清除了错误和不合适的图像，提出了流处理评估协议并发现，流处理协议可以产生模型更普遍的、更准确的性能估计，包括半监督学习。

Jan, 2022

通过贝叶斯分析，我们对最先进的自监督学习目标进行了研究，提出了一种从第一原理推导这些目标的标准化方法，并表明将自监督学习与基于似然的生成模型进行整合的自然方式。我们在集群自监督学习和能量模型的领域内验证了这一概念，并引入了一种新的下界，可可可靠地惩罚最重要的失败模式。我们的理论发现通过对合成和真实世界数据的实验证实，包括 SVHN、CIFAR10 和 CIFAR100，因此显示我们的目标函数能够在聚类、生成和外分布检测性能方面远远优于现有的自监督学习策略。我们还证明 GEDI 可以集成到神经符号框架中，以减轻推理的快捷问题，并通过增强的分类性能学习更高质量的符号表示。

Dec, 2023