論文の概要: ADLGen: Synthesizing Symbolic, Event-Triggered Sensor Sequences for Human Activity Modeling

• arxiv url: http://arxiv.org/abs/2505.17987v1
• Date: Fri, 23 May 2025 14:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.170433
• Title: ADLGen: Synthesizing Symbolic, Event-Triggered Sensor Sequences for Human Activity Modeling
• Title（参考訳）: ADLGen:人間活動モデリングのためのシンボリック・イベントトリガーセンサシーケンスの合成
• Authors: Weihang You, Hanqi Jiang, Zishuai Liu, Zihang Xie, Tianming Liu, Jin Lu, Fei Dou,
• Abstract要約: ADLGenは、リアル、イベントトリガー、およびシンボリックセンサーシーケンスを合成するために設計された生成フレームワークである。 ADLGenは、統計的忠実度、セマンティックリッチネス、下流活動認識の検証において、ベースラインジェネレータよりも優れている。
• 参考スコア（独自算出の注目度）: 9.526073030523733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real world collection of Activities of Daily Living data is challenging due to privacy concerns, costly deployment and labeling, and the inherent sparsity and imbalance of human behavior. We present ADLGen, a generative framework specifically designed to synthesize realistic, event triggered, and symbolic sensor sequences for ambient assistive environments. ADLGen integrates a decoder only Transformer with sign based symbolic temporal encoding, and a context and layout aware sampling mechanism to guide generation toward semantically rich and physically plausible sensor event sequences. To enhance semantic fidelity and correct structural inconsistencies, we further incorporate a large language model into an automatic generate evaluate refine loop, which verifies logical, behavioral, and temporal coherence and generates correction rules without manual intervention or environment specific tuning. Through comprehensive experiments with novel evaluation metrics, ADLGen is shown to outperform baseline generators in statistical fidelity, semantic richness, and downstream activity recognition, offering a scalable and privacy-preserving solution for ADL data synthesis.
• Abstract（参考訳）: 日々の生活データの現実的な収集は、プライバシー上の懸念、コストのかかるデプロイメントとラベル付け、そして人間の振る舞いの本質的な疎結合と不均衡のために困難である。 ADLGenは、環境支援環境向けに、現実的、イベントトリガー、および象徴的なセンサーシーケンスを合成するために特別に設計された生成フレームワークである。 ADLGenは、デコーダのみのトランスフォーマーと、符号ベースの記号的時間的エンコーディング、コンテキストおよびレイアウトを考慮したサンプリング機構を統合し、セマンティックにリッチで物理的に妥当なセンサイベントシーケンスに向けて生成をガイドする。 意味的忠実度を高め,構造的不整合を正すため,大規模言語モデルを自動生成し,論理的,行動的,時間的コヒーレンスを検証し,手作業による介入や環境特化を伴わない修正規則を生成する。 ADLGenは、新しい評価指標による総合的な実験を通じて、統計的忠実度、セマンティックリッチネス、下流のアクティビティ認識においてベースラインジェネレータを上回る性能を示し、ADLデータ合成のためのスケーラブルでプライバシー保護のソリューションを提供する。

関連論文リスト

• STaRFormer: Semi-Supervised Task-Informed Representation Learning via Dynamic Attention-Based Regional Masking for Sequential Data [4.351581973358463]
  トランスフォーマーベースのアプローチであるSTaRFormerは、シーケンシャルモデリングのための普遍的なフレームワークとして機能する。 STaRFormerは、動的注意に基づく領域マスキングスキームと半教師付きコントラスト学習を組み合わせて、タスク固有の潜在表現を強化する。
  論文  参考訳（メタデータ） (2025-04-14T11:03:19Z)
• CAD-VAE: Leveraging Correlation-Aware Latents for Comprehensive Fair Disentanglement [24.818829983471765]
  深層生成モデルは、予測的特徴とともにセンシティブな属性を符号化することで、バイアスと公平性の問題を継承または増幅することができる。 本稿ではCAD-VAE(Correlation-Aware Disentangled VAE)を提案する。 ベンチマークデータセットの実験では、CAD-VAEはより公平な表現、現実的な反ファクト、公平性に配慮した画像編集の改善が示されている。
  論文  参考訳（メタデータ） (2025-03-11T00:32:56Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
  セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。 この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。 セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2023-12-14T18:56:07Z)
• Are Synthetic Data Useful for Egocentric Hand-Object Interaction Detection? [12.987587227876565]
  本研究では,エゴセントリックな手・物体間相互作用検出における合成データの有効性について検討した。 実際のラベル付きデータの10%しか利用できないため、実際のデータにのみ訓練されたベースラインと比較して、全体的なAPの改善を実現しています。
  論文  参考訳（メタデータ） (2023-12-05T11:29:00Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• Towards Robust Unsupervised Disentanglement of Sequential Data -- A Case Study Using Music Audio [17.214062755082065]
  Disentangled Sequence Autoencoder (DSAE) は確率的グラフィカルモデルのクラスを表す。 バニラDSAEはモデルアーキテクチャの選択や動的潜伏変数の容量に敏感であることを示す。 本稿では,まずシーケンスレベルの事前分布を学習する2段階のトレーニングフレームワークTS-DSAEを提案する。
  論文  参考訳（メタデータ） (2022-05-12T04:11:25Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Latent Event-Predictive Encodings through Counterfactual Regularization [0.9449650062296823]
  本稿では,新しい正則化方式を用いたSUGAR(Surprise-GAted Recurrent Neural Network)を提案する。 隠れたグラフ構造を交互に並べてシーケンスを生成する階層的シーケンス予測タスクでモデルをテストします。
  論文  参考訳（メタデータ） (2021-05-12T18:30:09Z)

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。