論文の概要: Cross-device Zero-shot Label Transfer via Alignment of Time Series Foundation Model Embeddings

• arxiv url: http://arxiv.org/abs/2509.06966v1
• Date: Fri, 22 Aug 2025 23:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-14 20:41:04.920796
• Title: Cross-device Zero-shot Label Transfer via Alignment of Time Series Foundation Model Embeddings
• Title（参考訳）: 時系列モデル埋め込みのアライメントによるデバイス間ゼロショットラベル転送
• Authors: Neal G. Ravindra, Arijit Sehanobish,
• Abstract要約: 高品質で医学的に検証されたラベルは、臨床アクチグラフィーデータには存在するが、Apple Watchのようなユビキタスな消費者向けウェアラブルには当てはまらない。 本稿では,2つのデータを必要とすることなく,重要なラベルをソースドメインからターゲットドメインに転送する新しい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）: 5.274672845172176
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-quality, medically validated labels exist for clinical actigraphy data but not for ubiquitous consumer wearables like the Apple Watch. Manually labeling wearables data is expensive and doesn't scale. This paper offers a novel framework that transfers valuable labels from a source domain (e.g., actigraphy) to a target domain (e.g., Apple Watch) without requiring paired data. Instead of working with raw time-series signals, we project both domains into a shared latent embedding space using time-series foundation models (TSFMs) and develop a new framework to align the cross-device representations. Our method, Adversarial Alignment of TSFM Embeddings forces the distributions of source and target embeddings to align within this space, facilitating label transfer across device type.
• Abstract（参考訳）: 高品質で医学的に検証されたラベルは、臨床アクチグラフィーデータには存在するが、Apple Watchのようなユビキタスな消費者向けウェアラブルには当てはまらない。 手動でウェアラブルのデータをラベル付けするのは高価でスケールしない。 本稿では,ソースドメイン(例えばアクチグラフィ)からターゲットドメイン(例えばApple Watch)に,ペアデータを必要としない貴重なラベルを転送する,新しいフレームワークを提案する。 生の時系列信号を扱う代わりに、時系列基礎モデル(TSFM)を用いて、両方のドメインを共有潜在埋め込み空間に投影し、デバイス間表現を整合させる新しいフレームワークを開発する。 TSFM埋め込みの逆アライメント(Adversarial Alignment of TSFM Embeddings)は,ソースとターゲットの埋め込みの分布をこの空間内で整合させ,デバイスタイプ間のラベル転送を容易にする。

関連論文リスト

• Sanitizing Manufacturing Dataset Labels Using Vision-Language Models [1.0819408603463427]
  本稿では,ラベル・サニタイズ・リファインメントのための視覚言語ベースのフレームワークであるVLSRについて紹介する。 この方法は、CLIPビジョン言語モデルを利用して、画像とその関連するテキストラベルを共有意味空間に埋め込む。 実験の結果、VLSRフレームワークは問題のあるラベルの識別に成功し、ラベルの一貫性を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-06-30T02:13:09Z)
• Bridging Annotation Gaps: Transferring Labels to Align Object Detection Datasets [26.566426911250296]
  Label-Aligned Transfer Proposal (LAT)は、さまざまなソースデータセットからのアノテーションをターゲットラベル空間に体系的にプロジェクションする。 LATは目標領域検出性能を一貫した改善し、半教師付きベースラインよりも最大4.8APのゲインを得る。
  論文  参考訳（メタデータ） (2025-06-05T08:16:15Z)
• Modeling Multi-modal Cross-interaction for Multi-label Few-shot Image Classification Based on Local Feature Selection [55.144394711196924]
  マルチラベル設定の重要な特徴は、イメージがしばしば複数のラベルを持つことである。 本稿では,ラベルのプロトタイプを段階的に改良する戦略を提案する。 COCO, PASCAL VOC, NUS-WIDE, iMaterialist による実験により, このモデルにより最先端のモデルが大幅に改善されることが示された。
  論文  参考訳（メタデータ） (2024-12-18T11:10:18Z)
• Leveraging LLM Embeddings for Cross Dataset Label Alignment and Zero Shot Music Emotion Prediction [6.806050368211496]
  本稿では,複数データセットにまたがるラベルアライメントと,新たなカテゴリにおけるゼロショット予測にLarge Language Model (LLM)埋め込みを利用する音楽感情認識の新しい手法を提案する。 我々は,新たなデータセットに対してゼロショット推論を行うことにより,新たなトレーニングを伴わずに,未知のラベルに一般化できることを示す。
  論文  参考訳（メタデータ） (2024-10-15T11:48:31Z)
• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)
• Domain Adaptation with Auxiliary Target Domain-Oriented Classifier [115.39091109079622]
  ドメイン適応は、知識をラベルリッチだが異質なドメインからラベルケアドメインに転送することを目的としている。 最も一般的なSSLテクニックの1つは、ラベルのない各データに擬似ラベルを割り当てる擬似ラベル付けである。 我々はAuxiliary Target Domain-Oriented (ATDOC) と呼ばれる新しい擬似ラベリングフレームワークを提案する。 ATDOCは、ターゲットデータのみのための補助分類器を導入してバイアスを軽減し、擬似ラベルの品質を向上させる。
  論文  参考訳（メタデータ） (2020-07-08T15:01:35Z)
• Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
  本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。 実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-10T07:50:44Z)

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。