論文の概要: Learning Unified Representations from Heterogeneous Data for Robust Heart Rate Modeling

• arxiv url: http://arxiv.org/abs/2508.21785v1
• Date: Fri, 29 Aug 2025 17:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.125427
• Title: Learning Unified Representations from Heterogeneous Data for Robust Heart Rate Modeling
• Title（参考訳）: ロバスト心拍モデリングのための不均一データからの統一表現の学習
• Authors: Peng Yang, Zhengdong Huang, Zicheng Xie, Wentao Tian, Jingyu Liu, Lunhong Dong,
• Abstract要約: 心拍数予測は、パーソナライズされた健康モニタリングとフィットネスにとって不可欠だが、実際のデータにデプロイする際には、しばしば重要な課題に直面している。 特徴セットの異なる断片化されたデバイス市場からのソース異質性と、個人や活動の異なる生理的パターンを反映したユーザ異質性である。 既存の方法では、デバイス固有の情報を破棄するか、ユーザ固有の違いをモデル化できず、実際のパフォーマンスを制限している。 本稿では、両不均一性に対する潜在表現を学習し、下流予測器を不均一なデータパターンの下で一貫した動作を可能にするフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.538168530326637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heart rate prediction is vital for personalized health monitoring and fitness, while it frequently faces a critical challenge when deploying in real-world: data heterogeneity. We classify it in two key dimensions: source heterogeneity from fragmented device markets with varying feature sets, and user heterogeneity reflecting distinct physiological patterns across individuals and activities. Existing methods either discard device-specific information, or fail to model user-specific differences, limiting their real-world performance. To address this, we propose a framework that learns latent representations agnostic to both heterogeneity, enabling downstream predictors to work consistently under heterogeneous data patterns. Specifically, we introduce a random feature dropout strategy to handle source heterogeneity, making the model robust to various feature sets. To manage user heterogeneity, we employ a time-aware attention module to capture long-term physiological traits and use a contrastive learning objective to build a discriminative representation space. To reflect the heterogeneous nature of real-world data, we created and publicly released a new benchmark dataset, ParroTao. Evaluations on both ParroTao and the public FitRec dataset show that our model significantly outperforms existing baselines by 17% and 15%, respectively. Furthermore, analysis of the learned representations demonstrates their strong discriminative power, and one downstream application task confirm the practical value of our model.
• Abstract（参考訳）: 心拍予測は、パーソナライズされた健康モニタリングとフィットネスにとって不可欠であり、実際の世界で展開する際の重要な課題であるデータ不均一性(data heterogeneity)に直面することが多い。 特徴セットの異なる断片化されたデバイス市場からのソース異質性と、個人や活動の異なる生理的パターンを反映したユーザ異質性である。 既存の方法では、デバイス固有の情報を破棄するか、ユーザ固有の違いをモデル化できず、実際のパフォーマンスを制限している。 そこで本稿では,両不均一性に非依存な潜在表現を学習するフレームワークを提案する。 具体的には、ソースの不均一性を扱うためにランダムな特徴ドロップアウト戦略を導入し、様々な特徴集合に対して頑健なモデルを作成する。 ユーザの異質性を管理するため,長期的生理的特徴を捉えるために時間認識型アテンションモジュールを用い,コントラスト学習目標を用いて識別的表現空間を構築する。 実世界のデータの異質性を反映し、新しいベンチマークデータセットであるParroTaoを作成し、公開しました。 ParroTaoと公開FitRecのデータセットによる評価から、我々のモデルは既存のベースラインをそれぞれ17%、15%上回っていることがわかった。 さらに、学習した表現の分析は、その強い識別力を示し、下流のアプリケーションタスクは、我々のモデルの実用的価値を確認する。

関連論文リスト

• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
  一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。 以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
  論文  参考訳（メタデータ） (2024-04-02T22:27:24Z)
• Common-Sense Bias Modeling for Classification Tasks [15.683471433842492]
  テキスト記述に基づく画像データセットの包括的バイアスを抽出する新しい枠組みを提案する。 提案手法は,複数の画像ベンチマークデータセットにおける新しいモデルバイアスを明らかにする。 発見されたバイアスは、機能の非相関化のために、単純なデータ再重み付けによって緩和することができる。
  論文  参考訳（メタデータ） (2024-01-24T03:56:07Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)

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。