論文の概要: WHAR Datasets: An Open Source Library for Wearable Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2508.16604v2
• Date: Sat, 30 Aug 2025 16:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 14:24:52.671954
• Title: WHAR Datasets: An Open Source Library for Wearable Human Activity Recognition
• Title（参考訳）: WHAR Datasets: ウェアラブルなヒューマンアクティビティ認識のためのオープンソースライブラリ
• Authors: Maximilian Burzer, Tobias King, Till Riedel, Michael Beigl, Tobias Röddiger,
• Abstract要約: 我々はWHARデータ処理を簡単にするためのオープンソースライブラリであるWHARデータセットを紹介する。 現在、ライブラリは9つの広く使用されているデータセットをサポートし、PyTorchと統合され、新しいデータセットに簡単にアクセスできる。
• 参考スコア（独自算出の注目度）: 5.46517570496579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The lack of standardization across Wearable Human Activity Recognition (WHAR) datasets limits reproducibility, comparability, and research efficiency. We introduce WHAR datasets, an open-source library designed to simplify WHAR data handling through a standardized data format and a configuration-driven design, enabling reproducible and computationally efficient workflows with minimal manual intervention. The library currently supports 9 widely-used datasets, integrates with PyTorch and TensorFlow, and is easily extensible to new datasets. To demonstrate its utility, we trained two state-of-the-art models, TinyHar and MLP-HAR, on the included datasets, approximately reproducing published results and validating the library's effectiveness for experimentation and benchmarking. Additionally, we evaluated preprocessing performance and observed speedups of up to 3.8x using multiprocessing. We hope this library contributes to more efficient, reproducible, and comparable WHAR research.
• Abstract（参考訳）: ウェアラブルヒューマンアクティビティ認識(WHAR)データセットの標準化の欠如は、再現性、可視性、研究効率を制限している。 WHARデータセットは、標準化されたデータフォーマットと構成駆動設計によるWHARデータ処理を簡素化するために設計されたオープンソースライブラリである。 現在、ライブラリは9つの広く使用されているデータセットをサポートし、PyTorchとTensorFlowを統合しており、新しいデータセットに容易に拡張可能である。 実用性を実証するため,対象とするデータセットに基づいて,TinyHarとMLP-HARという2つの最先端モデルをトレーニングし,公開結果をほぼ再現し,実験とベンチマークにおけるライブラリの有効性を検証した。 さらに,前処理性能と最大3.8倍の高速化をマルチプロセッシングを用いて評価した。 このライブラリが、より効率的で再現可能で、同等のWHAR研究に貢献できることを願っています。

関連論文リスト

• Large Language Models and Synthetic Data for Monitoring Dataset Mentions in Research Papers [0.0]
  本稿では,研究領域間のデータセット参照検出を自動化する機械学習フレームワークを提案する。 我々は,研究論文からゼロショット抽出,品質評価のためのLCM-as-a-Judge,および改良のための推論剤を用いて,弱教師付き合成データセットを生成する。 推論では、ModernBERTベースの分類器がデータセットの参照を効率的にフィルタリングし、高いリコールを維持しながら計算オーバーヘッドを低減する。
  論文  参考訳（メタデータ） (2025-02-14T16:16:02Z)
• Putting Data at the Centre of Offline Multi-Agent Reinforcement Learning [3.623224034411137]
  オフラインマルチエージェント強化学習(英語: offline multi-agent reinforcement learning, MARL)は、静的データセットを用いてマルチエージェントシステムの最適制御ポリシーを見つける研究のエキサイティングな方向である。 この分野は定義上はデータ駆動型だが、これまでのところ、最先端の結果を達成するための努力は、データを無視してきた。 研究の大部分は、一貫した方法論を使わずに独自のデータセットを生成し、これらのデータセットの特徴に関するまばらな情報を提供する。
  論文  参考訳（メタデータ） (2024-09-18T14:13:24Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)
• DataDreamer: A Tool for Synthetic Data Generation and Reproducible LLM Workflows [72.40917624485822]
  我々は、研究者が強力な大規模言語モデルを実装することができるオープンソースのPythonライブラリであるDataDreamerを紹介した。 DataDreamerはまた、オープンサイエンスを促進するために提案するベストプラクティスに研究者が従うのを助ける。
  論文  参考訳（メタデータ） (2024-02-16T00:10:26Z)
• Going beyond research datasets: Novel intent discovery in the industry setting [60.90117614762879]
  本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。 ドメイン内データに基づく事前学習型言語モデルの利点を示す。 また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
  論文  参考訳（メタデータ） (2023-05-09T14:21:29Z)
• PyRelationAL: a python library for active learning research and development [1.0061110876649197]
  アクティブラーニング(英: Active Learning, AL)は、反復的かつ経済的にデータを取得する手法の開発に焦点を当てたMLのサブフィールドである。 本稿では,AL研究のためのオープンソースライブラリであるPyRelationALを紹介する。 プールベースのアクティブラーニング戦略を構成するための2段階の設計方法論をベースとしたモジュラーツールキットについて述べる。
  論文  参考訳（メタデータ） (2022-05-23T08:21:21Z)
• Datasets: A Community Library for Natural Language Processing [55.48866401721244]
  データセットは、現代のNLPのためのコミュニティライブラリである。 このライブラリには650以上のユニークなデータセットが含まれており、250以上のコントリビュータを抱えており、さまざまな新しいクロスデータセット研究プロジェクトを支援している。
  論文  参考訳（メタデータ） (2021-09-07T03:59:22Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• pyBKT: An Accessible Python Library of Bayesian Knowledge Tracing Models [0.0]
  本稿では,知識追跡のためのモデル拡張ライブラリpyBKTを紹介する。 このライブラリはデータ生成、フィッティング、予測、クロスバリデーションルーチンを提供する。 pybktはオープンソースであり、研究や実践のコミュニティに知識の追跡をよりアクセスしやすくするためのオープンライセンスである。
  論文  参考訳（メタデータ） (2021-05-02T03:08:53Z)

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。