Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

📄 arXiv: 2606.17637v1 📥 PDF

作者: Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

分类: cs.AI

发布日期: 2026-06-16

💡 一句话要点

提出Brick-DICL以解决建筑管理系统中砖块模式分类问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 建筑管理系统 Brick模式 动态上下文学习 自动化分类 多LLM过滤 能效优化 数据集成

📋 核心要点

  1. 现有的建筑管理系统在不同制造商之间缺乏标准化，导致数据集成和利用面临重大挑战。
  2. Brick-DICL通过动态上下文学习框架，结合metadata-RAG和class-RAG，自动化Brick模式分类过程。
  3. 实验结果显示，Brick-DICL在建筑数据集上显著提高了分类准确性，减少了人工验证工作量。

📝 摘要（中文）

建筑管理系统（BMS）在现代建筑中对于优化能源效率和运营性能至关重要。然而，不同制造商的BMS点缺乏标准化，导致集成和数据利用面临重大障碍。尽管Brick模式提供了建筑系统的标准化本体，但将BMS点映射到适当的Brick类面临三个关键挑战：Brick类数量庞大（最新版本有936类）、大型语言模型（LLMs）领域知识有限，以及验证所需的人工工作量巨大。为了解决这些挑战，本文提出了Brick-DICL，一个用于自动Brick模式分类的两阶段动态上下文学习框架。Brick-DICL由两个主要组件组成：metadata-RAG用于检索相关示例以增强LLMs的领域知识，class-RAG则缩小潜在Brick类的范围。此外，我们实现了多LLM过滤机制，通过比较多个模型的预测，标记低置信度分类以供人工审核。实验表明，Brick-DICL在多种建筑数据集上显著提高了分类准确性，超越了现有方法。

🔬 方法详解

问题定义：本文旨在解决建筑管理系统中Brick模式分类的自动化问题。现有方法面临Brick类数量庞大、领域知识不足和人工验证工作量大的痛点。

核心思路：Brick-DICL采用动态上下文学习的方式，通过检索相关示例增强模型的领域知识，并通过缩小分类范围来提高分类效率。

技术框架：Brick-DICL由两个主要模块组成：metadata-RAG用于检索相关示例，class-RAG用于缩小潜在Brick类的范围。此外，采用多LLM过滤机制以提高分类的准确性和可靠性。

关键创新：Brick-DICL是首个针对Brick模式分类的动态上下文学习方法，通过有效整合多个模型的预测结果，显著提升了分类准确性。

关键设计：在设计中，metadata-RAG模块通过检索相关数据增强LLMs的知识，而class-RAG模块则通过限制候选类来减少计算复杂度。多LLM过滤机制确保了低置信度的分类结果得到人工审核，进一步提高了系统的可靠性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，Brick-DICL在多个建筑数据集上的分类准确性显著提高，超越了现有方法，具体性能提升幅度达到XX%（具体数据未知）。多LLM过滤策略有效减少了人工验证的工作量，显著加快了数字建筑的入驻速度。

🎯 应用场景

Brick-DICL的研究成果可广泛应用于建筑管理系统的自动化分类，尤其是在不同制造商的设备和数据格式之间的集成。其高效的分类能力将推动建筑管理系统的标准化和互操作性，提升建筑能效和运营性能，具有重要的实际价值和未来影响。

📄 摘要（原文）

Building Management Systems (BMS) are essential for optimizing energy efficiency and operational performance in modern buildings. However, the lack of standardization across BMS points from different manufacturers creates significant barriers to integration and data utilization. While the Brick schema offers a standardized ontology for building systems, mapping BMS points to appropriate Brick classes presents three critical challenges: (i) the extensive number of Brick classes (936 in the latest version), (ii) limited domain-specific knowledge in large language models (LLMs), and (iii) substantial manual effort required for verification. To address these challenges, we propose Brick-DICL, a two-stage dynamic in-context learning framework for automated Brick schema classification. Brick-DICL consists of two primary components: metadata-RAG, which retrieves relevant examples to enhance LLMs' domain knowledge, and class-RAG, which narrows down potential Brick classes to address the large classification space. Additionally, we implement a multi-LLM filtering mechanism that compares predictions across multiple models, flagging low-confidence classifications for human review. As a result: (i) General: Brick-DICL is applicable to any building management system regardless of manufacturer or metadata format; (ii) Novel and Powerful: as the first dynamic in-context learning approach for Brick schema classification, Brick-DICL achieves significant classification accuracy improvements on building datasets, outperforming existing methods; (iii) Efficient: our multi-LLM filtering strategy reduces manual verification effort, enabling rapid digital building onboarding. Extensive experiments demonstrate Brick-DICL's effectiveness across diverse building datasets, accelerating the path toward standardized, interoperable building management systems.