論文の概要: SHADE-AD: An LLM-Based Framework for Synthesizing Activity Data of Alzheimer's Patients

• arxiv url: http://arxiv.org/abs/2503.01768v1
• Date: Mon, 03 Mar 2025 17:48:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:22:09.836382
• Title: SHADE-AD: An LLM-Based Framework for Synthesizing Activity Data of Alzheimer's Patients
• Title（参考訳）: SHADE-AD:アルツハイマー患者の活動データ合成のためのLCMベースのフレームワーク
• Authors: Heming Fu, Hongkai Chen, Shan Lin, Guoliang Xing,
• Abstract要約: 本稿では、アルツハイマー病(AD)の特徴を組み込んだ人間の活動データセットを合成するフレームワークであるSHADE-ADを提案する。 我々は,HAR(Human Activity Recognition)検出などの下流タスクにおいて,79.69%まで向上したことを示す。 これらの結果は、AD監視のための費用効率の良いプライバシ保護ソリューションを提供することで、SHADE-ADがスマートヘルスアプリケーションを前進させる可能性を示している。
• 参考スコア（独自算出の注目度）: 5.400467253593424
• License:
• Abstract: Alzheimer's Disease (AD) has become an increasingly critical global health concern, which necessitates effective monitoring solutions in smart health applications. However, the development of such solutions is significantly hindered by the scarcity of AD-specific activity datasets. To address this challenge, we propose SHADE-AD, a Large Language Model (LLM) framework for Synthesizing Human Activity Datasets Embedded with AD features. Leveraging both public datasets and our own collected data from 99 AD patients, SHADE-AD synthesizes human activity videos that specifically represent AD-related behaviors. By employing a three-stage training mechanism, it broadens the range of activities beyond those collected from limited deployment settings. We conducted comprehensive evaluations of the generated dataset, demonstrating significant improvements in downstream tasks such as Human Activity Recognition (HAR) detection, with enhancements of up to 79.69%. Detailed motion metrics between real and synthetic data show strong alignment, validating the realism and utility of the synthesized dataset. These results underscore SHADE-AD's potential to advance smart health applications by providing a cost-effective, privacy-preserving solution for AD monitoring.
• Abstract（参考訳）: アルツハイマー病(AD)は、スマートヘルスアプリケーションにおいて効果的なモニタリングソリューションを必要とする世界的な健康問題としてますます重要になっている。 しかし、AD特異的な活動データセットの不足により、そのようなソリューションの開発が著しく妨げられている。 この課題に対処するため、AD機能を組み込んだ人間活動データセットの合成のための大規模言語モデル(LLM)フレームワークであるSHADE-ADを提案する。 SHADE-ADは、パブリックデータセットと、99AD患者の収集したデータの両方を利用して、AD関連行動を表す人間のアクティビティビデオを合成する。 3段階のトレーニングメカニズムを利用することで、限られたデプロイメント設定から収集したアクティビティの範囲を拡大する。 生成したデータセットの総合評価を行い,HAR(Human Activity Recognition)検出などの下流タスクの大幅な改善と79.69%の強化を行った。 実データと合成データの間の詳細な動きのメトリクスは、強いアライメントを示し、合成されたデータセットのリアリズムと有用性を検証する。 これらの結果は、AD監視のための費用効率の良いプライバシ保護ソリューションを提供することで、SHADE-ADがスマートヘルスアプリケーションを前進させる可能性を示している。

関連論文リスト

• LEAD: Large Foundation Model for EEG-Based Alzheimer's Disease Detection [4.935843202928883]
  脳波を用いたアルツハイマー病検出のための基礎モデルLEADを提案する。 私たちは11のEEGデータセットでモデルを事前トレーニングし、5つのADデータセットで微調整します。 サンプルレベルではF1スコアが9.86%増加し,被験者レベルでは9.31%向上したAD検出性能を示す。
  論文  参考訳（メタデータ） (2025-02-02T04:19:35Z)
• AD-LLM: Benchmarking Large Language Models for Anomaly Detection [50.57641458208208]
  本稿では,大規模な言語モデルが異常検出にどのように役立つかを評価する最初のベンチマークであるAD-LLMを紹介する。 我々は、ゼロショット検出、LLMの事前訓練された知識を用いて、タスク固有のトレーニングなしでADを実行すること、データ拡張、ADモデルを改善するために合成データとカテゴリ記述を生成すること、LLMを使用して教師なしADモデルを提案するモデル選択の3つの主要なタスクについて検討する。
  論文  参考訳（メタデータ） (2024-12-15T10:22:14Z)
• Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance [95.03771007780976]
  我々は、人間の指示なしにタスクを予測および開始できるプロアクティブエージェントを開発するという課題に取り組む。 まず,実世界の人的活動を収集し,前向きなタスク予測を生成する。 これらの予測は、ヒトのアノテータによって受け入れられるか拒否されるかのどちらかとしてラベル付けされる。 ラベル付きデータは、人間の判断をシミュレートする報酬モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2024-10-16T08:24:09Z)
• Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
  HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。 本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。 コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
  論文  参考訳（メタデータ） (2024-04-25T10:13:18Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning [24.467566885575998]
  この研究は、アルツハイマー病神経画像イニシアチブ(ADNI)データセットに基づいている。 アルツハイマー病(AD)の早期発見と進行の解明を目的とする。
  論文  参考訳（メタデータ） (2024-02-13T15:43:30Z)
• On the Benefit of Generative Foundation Models for Human Activity Recognition [0.27624021966289597]
  人間の活動認識(HAR)では、注釈付きデータの限られた可用性が重要な課題である。 生成AIの最新の進歩からインスピレーションを得て、生成AIはテキスト記述から仮想IMUデータを自動生成することで、このデータ不足に対処できると考えている。 我々は、コミュニティのための生成AIの恩恵を受ける可能性のある、有望な研究経路をいくつか見極めている。
  論文  参考訳（メタデータ） (2023-10-18T16:27:06Z)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)
• Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
  臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。 本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。 提案手法により,下流タスクの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-08T03:56:31Z)
• BSDGAN: Balancing Sensor Data Generative Adversarial Networks for Human Activity Recognition [10.46273607225732]
  センサデータに基づくヒューマンアクティビティ認識(HAR)は、機械学習分野において活発な研究トピックとなっている。 人間の活動の頻度が不一致であるため、人間の活動データセットの各活動のデータ量は不均衡である。 本研究では,少数者の活動のためのセンサデータを生成するために,BSDGAN(Balancing Sensor Data Generative Adversarial Networks)を提案する。
  論文  参考訳（メタデータ） (2022-08-07T05:48:48Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。