Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Reproducibility of Machine Learning-Based Fault Detection and Diagnosis for HVAC Systems in Buildings: An Empirical Study

Created by
  • Haebom

저자

Adil Mukhtar, Michael Hadwiger, Franz Wotawa, Gerald Schweiger

개요

본 논문은 머신러닝(ML) 연구의 재현성 문제, 특히 건물 에너지 시스템 분야의 ML 응용 연구에 대한 투명성과 재현성 수준을 분석합니다. 다양한 재현성 관련 요소(데이터 접근성, 방법론적 세부 사항, 코드 공유 등)를 분석한 결과, 대부분의 논문이 불충분한 정보 공개로 인해 재현성이 확보되지 않음을 밝힙니다. 특히 데이터셋의 공개 여부를 명시하지 않은 논문이 72%에 달하며, 코드를 공유한 논문은 극소수였습니다. 학계 연구자만 참여한 논문과 산업계 연구자가 참여한 논문 간 재현성에 유의미한 차이는 없었습니다. 결론적으로, 연구자 교육, 재현성 가이드라인 제시, 저널 및 학회의 투명성 및 재현성 증진 정책 등의 개입이 필요함을 강조합니다.

시사점, 한계점

•
시사점:
◦
건물 에너지 시스템 분야의 머신러닝 응용 연구에서 재현성 문제가 심각함을 밝힘.
◦
데이터셋 접근성, 코드 공유 등 재현성 확보에 필수적인 정보 공개가 부족함을 지적.
◦
학계와 산업계 연구자 간 재현성 수준 차이가 없음을 확인.
◦
재현성 향상을 위한 정책적, 제도적 개입의 필요성 제기.
•
한계점:
◦
건물 에너지 시스템 분야에 국한된 연구로, 다른 분야의 ML 응용 연구에는 일반화하기 어려움.
◦
분석 대상 논문의 수가 명시되지 않아 일반화의 한계 존재.
◦
코드 공유 여부 외 다른 재현성 요소에 대한 정량적 분석 부족.
👍
Made with Slashpage