論文の概要: Dynamic Uncertainty-aware Multimodal Fusion for Outdoor Health Monitoring

• arxiv url: http://arxiv.org/abs/2508.09085v1
• Date: Tue, 12 Aug 2025 17:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.516054
• Title: Dynamic Uncertainty-aware Multimodal Fusion for Outdoor Health Monitoring
• Title（参考訳）: 屋外健康モニタリングのための動的不確実性を考慮したマルチモーダルフュージョン
• Authors: Zihan Fang, Zheng Lin, Senkang Hu, Yihang Tao, Yiqin Deng, Xianhao Chen, Yuguang Fang,
• Abstract要約: MLLM(Multimodal large language model)は、将来性のある代替案である。 MLLMは入力やゆらぎノイズによる微妙な健康状態の変化を捉えることができない。 本研究では、動的・騒音環境における屋外健康モニタリングのためのマルチモーダル融合フレームワークであるマルチモーダルヘルスを提案する。
• 参考スコア（独自算出の注目度）: 14.465453649354531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Outdoor health monitoring is essential to detect early abnormal health status for safeguarding human health and safety. Conventional outdoor monitoring relies on static multimodal deep learning frameworks, which requires extensive data training from scratch and fails to capture subtle health status changes. Multimodal large language models (MLLMs) emerge as a promising alternative, utilizing only small datasets to fine-tune pre-trained information-rich models for enabling powerful health status monitoring. Unfortunately, MLLM-based outdoor health monitoring also faces significant challenges: I) sensor data contains input noise stemming from sensor data acquisition and fluctuation noise caused by sudden changes in physiological signals due to dynamic outdoor environments, thus degrading the training performance; ii) current transformer based MLLMs struggle to achieve robust multimodal fusion, as they lack a design for fusing the noisy modality; iii) modalities with varying noise levels hinder accurate recovery of missing data from fluctuating distributions. To combat these challenges, we propose an uncertainty-aware multimodal fusion framework, named DUAL-Health, for outdoor health monitoring in dynamic and noisy environments. First, to assess the impact of noise, we accurately quantify modality uncertainty caused by input and fluctuation noise with current and temporal features. Second, to empower efficient muitimodal fusion with low-quality modalities,we customize the fusion weight for each modality based on quantified and calibrated uncertainty. Third, to enhance data recovery from fluctuating noisy modalities, we align modality distributions within a common semantic space. Extensive experiments demonstrate that our DUAL-Health outperforms state-of-the-art baselines in detection accuracy and robustness.
• Abstract（参考訳）: ヒトの健康と安全を守るために、早期の異常な健康状態を検出するために、屋外の健康モニタリングが不可欠である。 従来の屋外監視は静的なマルチモーダルなディープラーニングフレームワークに依存しており、スクラッチから広範なデータトレーニングを必要とし、微妙な健康状態の変化を捉えることができない。 マルチモーダルな大規模言語モデル(MLLM)は、小さなデータセットのみを使用して、トレーニング済みの情報豊富なモデルを微調整して、強力な健康状態監視を可能にする、有望な代替手段として登場した。 I) センサデータ取得による入力ノイズと、動的屋外環境による生理的信号の急激な変化に起因するゆらぎノイズを含むことにより、トレーニング性能が低下する。 二 現在の変圧器をベースとしたMLLMは、ノイズモードを融合させる設計を欠いているため、堅牢なマルチモーダル融合を達成するのに苦労する。 三 変動する分布から欠落したデータの正確な回復を妨げた騒音レベルの変化によるモダリティ これらの課題に対処するために、動的・騒音環境における屋外健康モニタリングのための不確実性を考慮したマルチモーダル融合フレームワーク、DUAL-Healthを提案する。 まず、ノイズの影響を評価するために、入力ノイズと変動ノイズによるモダリティの不確かさを、電流および時間的特徴とともに正確に定量化する。 第2に、低品質なモダリティで効率的なミューティモーダル融合を実現するために、定量化および校正された不確実性に基づいて、各モダリティに対して融合重量をカスタマイズする。 第3に、ゆらぎのある雑音のモーダル性からデータ回復を向上させるため、共通意味空間内のモーダル分布を整列する。 広汎な実験により、Dual-Healthは検出精度とロバスト性において最先端のベースラインを上回っていることが示された。

関連論文リスト

• FedGSCA: Medical Federated Learning with Global Sample Selector and Client Adaptive Adjuster under Label Noise [3.5585588724306643]
  フェデレートラーニング(FL)は、データのプライバシを保持しながら、協調的な医療画像分類のソリューションとして登場した。 ノイズの多い医療FLにおけるロバスト性向上のための新しいフレームワークであるFedGSCAを提案する。 我々はFedGSCAを実世界の1つのコロンスライスデータセットと2つの合成医療データセットで様々なノイズ条件下で評価した。
  論文  参考訳（メタデータ） (2025-07-13T08:51:51Z)
• Data-Driven Reconstruction and Characterization of Stochastic Dynamics via Dynamical Mode Decomposition [0.0]
  ノイズは古典力学系と量子力学系の性能と予測能力を制限する。 本稿では,動的モード分解(Dynamical Mode Decomposition, DMD)に基づく一般的なデータ駆動型フレームワークを提案する。 この手法は、複雑なシステムの診断、予測、ノイズ緩和分析、制御に広く応用できるツールを提供する。
  論文  参考訳（メタデータ） (2025-07-08T08:59:06Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Explainable Differential Privacy-Hyperdimensional Computing for Balancing Privacy and Transparency in Additive Manufacturing Monitoring [5.282482641822561]
  本稿では,DP-HDフレームワークについて紹介する。 DP-HDはDPノイズレベルを正確に調整し、プライバシーと性能の最適なバランスを確保する。 医療、金融サービス、政府データ管理など、プライバシに敏感な分野において、より広範な応用を約束している。
  論文  参考訳（メタデータ） (2024-07-09T17:42:26Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient eHealth Systems [5.04685484754788]
  感覚データ取得時のノイズの多い入力と動きアーチファクトは、eHealthサービスの予測精度とレジリエンスに影響を与える。 本稿では,ガベージインガベージアウトを軽減できるマルチモーダルeHealthアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。 提案手法は, 予測精度が最大22%向上し, 5.6$times$ Energy consumption reduction in the sensor phaseが得られた。
  論文  参考訳（メタデータ） (2021-12-13T00:52:33Z)

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。