論文の概要: Bridging Generalization and Personalization in Human Activity Recognition via On-Device Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2508.15413v3
• Date: Sun, 07 Sep 2025 18:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.286335
• Title: Bridging Generalization and Personalization in Human Activity Recognition via On-Device Few-Shot Learning
• Title（参考訳）: デバイス上でのFew-Shot学習による人的活動認識におけるブリッジの一般化とパーソナライズ
• Authors: Pixi Kang, Julian Moosmann, Mengxi Liu, Bo Zhou, Michele Magno, Paul Lukowicz, Sizhen Bian,
• Abstract要約: HAR(Human Activity Recognition)は、異なる知覚モーダル性を持つため、多様なユーザに対して強力な一般化と、個人に対する効率的なパーソナライゼーションが必要である。 本稿では,HARにおける一般化とパーソナライゼーションを橋渡しする,デバイス上でのマルチショット学習フレームワークを提案する。 エネルギー効率の高いRISC-V GAP9マイクロコントローラのフレームワークを実装し、3つのベンチマークデータセットで評価する。
• 参考スコア（独自算出の注目度）: 16.255569673010122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) with different sensing modalities requires both strong generalization across diverse users and efficient personalization for individuals. However, conventional HAR models often fail to generalize when faced with user-specific variations, leading to degraded performance. To address this challenge, we propose a novel on-device few-shot learning framework that bridges generalization and personalization in HAR. Our method first trains a generalizable representation across users and then rapidly adapts to new users with only a few labeled samples, updating lightweight classifier layers directly on resource-constrained devices. This approach achieves robust on-device learning with minimal computation and memory cost, making it practical for real-world deployment. We implement our framework on the energy-efficient RISC-V GAP9 microcontroller and evaluate it on three benchmark datasets (RecGym, QVAR-Gesture, Ultrasound-Gesture). Across these scenarios, post-deployment adaptation improves accuracy by 3.73\%, 17.38\%, and 3.70\%, respectively. These results demonstrate that few-shot on-device learning enables scalable, user-aware, and energy-efficient wearable human activity recognition by seamlessly uniting generalization and personalization. The related framework is open sourced for further research\footnote{https://github.com/kangpx/onlineTiny2023}.
• Abstract（参考訳）: HAR(Human Activity Recognition, HAR)は、多様なユーザ間で強力な一般化と、個人に対する効率的なパーソナライゼーションの両方を必要とする。 しかし、従来のHARモデルはユーザ固有のバリエーションに直面すると一般化に失敗し、性能が低下する。 この課題に対処するために,HARにおける一般化とパーソナライゼーションを橋渡しする,デバイス上でのマルチショット学習フレームワークを提案する。 提案手法は,まずユーザ間で一般化可能な表現をトレーニングし,少数のラベル付きサンプルを持つ新規ユーザに対して迅速に適応し,リソース制約されたデバイス上で,軽量な分類器層を更新する。 このアプローチは、最小の計算とメモリコストでデバイス上での堅牢な学習を実現し、現実のデプロイメントに実用的になる。 エネルギー効率の高いRISC-V GAP9マイクロコントローラのフレームワークを実装し、3つのベンチマークデータセット(RecGym, QVAR-Gesture, Ultrasound-Gesture)で評価する。 これらのシナリオ全体で、デプロイ後の適応は、それぞれ3.73\%、17.38\%、および3.70\%の精度を向上させる。 これらの結果から,ユーザ認識,エネルギー効率のよいウェアラブルな人的活動認識を,一般化とパーソナライゼーションをシームレスに結合することで実現できることが示唆された。 関連するフレームワークは、さらなる研究のためにオープンソース化されている。

関連論文リスト

• POET: Prompt Offset Tuning for Continual Human Action Adaptation [61.63831623094721]
  ユーザと開発者に対して,デバイスモデルに新たなアクションクラスを継続的に追加することで,エクスペリエンスをパーソナライズする機能の提供を目標としています。 我々はこれをプライバシーに配慮した数発の連続的な行動認識として定式化する。 本稿では,新しい時間的学習可能なプロンプトチューニング手法を提案し,グラフニューラルネットワークにこのようなプロンプトチューニングを適用した。
  論文  参考訳（メタデータ） (2025-04-25T04:11:24Z)
• Spatiotemporal Attention Learning Framework for Event-Driven Object Recognition [1.0445957451908694]
  イベントベースの視覚センサは、位置、極性、情報を含むスパースイベントストリームとして、局所ピクセルレベルの強度変化をキャプチャする。 本稿では、CBAM(Contemporalal Block Attention Module)により強化されたVARGGネットワークを利用した、イベントベースのオブジェクト認識のための新しい学習フレームワークを提案する。 提案手法は,従来のVGGモデルと比較してパラメータ数を2.3%削減しつつ,最先端のResNet手法に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-04-01T02:37:54Z)
• Contrastive Learning with Auxiliary User Detection for Identifying Activities [2.8132886759540146]
  我々は、外的環境設定を考慮に入れた上で、自然的ユーザアクションパフォーマンスの違いの影響に対処することが重要であると論じている。 CLAUDIAはこれらの問題に対処するために設計された新しいフレームワークである。 実世界の3つのCA-HARデータセットに対する評価は、大幅なパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2024-10-21T09:04:23Z)
• Towards Sustainable Personalized On-Device Human Activity Recognition with TinyML and Cloud-Enabled Auto Deployment [6.9604565273682955]
  この研究は、オンデバイスのTinyML駆動コンピューティングとクラウド対応の自動デプロイを組み合わせた新しい組み合わせによって、課題に対処するために設計された、手首のスマートバンドを導入している。 アクティビティクラスを、最小限のキャリブレーションで独自のムーブメントスタイルに調整することができる。 システムはパーソナライズされた設定において、一般化されたモデルよりも精度が37%向上する。
  論文  参考訳（メタデータ） (2024-08-26T13:28:41Z)
• Agile gesture recognition for low-power applications: customisation for generalisation [41.728933551492275]
  自動手ジェスチャー認識は、長い間AIコミュニティの焦点だった。 低消費電力センサデバイスで動作するジェスチャー認識技術への需要が高まっている。 本研究では,適応的およびアジャイル的誤り訂正を用いたパターン認識システムのための新しい手法を提示する。
  論文  参考訳（メタデータ） (2024-03-12T19:34:18Z)
• Adaptive Cross Batch Normalization for Metric Learning [75.91093210956116]
  メトリクス学習はコンピュータビジョンの基本的な問題である。 蓄積した埋め込みが最新であることを保証することは、同様に重要であることを示す。 特に、蓄積した埋め込みと現在のトレーニングイテレーションにおける特徴埋め込みとの間の表現的ドリフトを回避する必要がある。
  論文  参考訳（メタデータ） (2023-03-30T03:22:52Z)
• Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
  本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。 また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-06-20T15:25:08Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)
• Incremental Real-Time Personalization in Human Activity Recognition Using Domain Adaptive Batch Normalization [1.160208922584163]
  スマートフォン加速度計などのデバイスからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティングの基本的な問題である。 従来の作業では、一般的な認識モデルを静的バッチ設定で新しいユーザのユニークな動作パターンにパーソナライズすることで、この問題に対処してきた。 我々の研究は、教師なしのオンラインドメイン適応アルゴリズムを提案することによって、これらの課題に対処する。
  論文  参考訳（メタデータ） (2020-05-25T15:49:10Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。