論文の概要: Ensemble Distribution Distillation for Self-Supervised Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2509.08225v1
• Date: Wed, 10 Sep 2025 01:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.286581
• Title: Ensemble Distribution Distillation for Self-Supervised Human Activity Recognition
• Title（参考訳）: 自己監督型人間行動認識のためのアンサンブル分布蒸留法
• Authors: Matthew Nolan, Lina Yao, Robert Davidson,
• Abstract要約: 本稿では,HAR(Human Activity Recognition)のための自己教師型学習フレームワークにおける,EDD(Ensemble Distribution Distillation)の新たな応用について検討する。 ラベルのないデータと部分的に教師付きトレーニング戦略を利用することで,予測精度の向上,不確実性の評価,対向的摂動に対するロバスト性の向上を実現している。
• 参考スコア（独自算出の注目度）: 13.389902854768906
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human Activity Recognition (HAR) has seen significant advancements with the adoption of deep learning techniques, yet challenges remain in terms of data requirements, reliability and robustness. This paper explores a novel application of Ensemble Distribution Distillation (EDD) within a self-supervised learning framework for HAR aimed at overcoming these challenges. By leveraging unlabeled data and a partially supervised training strategy, our approach yields an increase in predictive accuracy, robust estimates of uncertainty, and substantial increases in robustness against adversarial perturbation; thereby significantly improving reliability in real-world scenarios without increasing computational complexity at inference. We demonstrate this with an evaluation on several publicly available datasets. The contributions of this work include the development of a self-supervised EDD framework, an innovative data augmentation technique designed for HAR, and empirical validation of the proposed method's effectiveness in increasing robustness and reliability.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、ディープラーニング技術の採用によって大きな進歩を遂げてきたが、データ要求、信頼性、堅牢性の点で課題は残る。 本稿では,これらの課題を克服することを目的とした自己教師型HAR学習フレームワークにおいて,EDD(Ensemble Distribution Distillation)の新たな応用について検討する。 ラベルのないデータと部分的に教師付きトレーニング戦略を利用することで,予測精度の向上,不確実性の推定,敵の摂動に対する堅牢性の向上を実現し,推論における計算複雑性を増大させることなく,現実のシナリオにおける信頼性を著しく向上させる。 いくつかの公開データセットを評価することでこれを実証する。 本研究の貢献は、自己監督型EDDフレームワークの開発、HAR用に設計された革新的なデータ拡張技術、ロバスト性と信頼性の向上における提案手法の有効性の実証的検証などである。

関連論文リスト

• Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
  エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。 既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。 本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T08:34:35Z)
• Bridging Interpretability and Robustness Using LIME-Guided Model Refinement [0.0]
  LIME(Local Interpretable Model-Agnostic Explanations)は、モデルロバスト性を体系的に強化する。 複数のベンチマークデータセットに対する実証的な評価は、LIME誘導の洗練は解釈可能性を改善するだけでなく、敵の摂動に対する耐性を著しく向上し、アウト・オブ・ディストリビューションデータへの一般化を促進することを示している。
  論文  参考訳（メタデータ） (2024-12-25T17:32:45Z)
• KRAIL: A Knowledge-Driven Framework for Base Human Reliability Analysis Integrating IDHEAS and Large Language Models [2.7378790256389047]
  本稿では,IDHEASとLLM(KRAIL)を統合した知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。 本稿では,自然言語処理における大規模言語モデル(LLM)の成功に触発されて,知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-20T06:21:34Z)
• Diversified Ensemble of Independent Sub-Networks for Robust Self-Supervised Representation Learning [10.784911682565879]
  ニューラルネットワークの組み立ては、モデルの性能を高め、不確実性を推定し、深い教師付き学習における堅牢性を改善するために広く認識されているアプローチである。 独立サブネットワークのアンサンブルを活用した,新たな自己指導型トレーニングシステムを提案する。 提案手法は,高多様性のサブモデルアンサンブルを効率的に構築し,モデル不確実性の評価を行う。
  論文  参考訳（メタデータ） (2023-08-28T16:58:44Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Improving Regression Uncertainty Estimation Under Statistical Change [7.734726150561088]
  ベイジアン・バリデーション・メトリック・フレームワークに基づく回帰不確かさ推定のための損失関数を提案し,実装する。 In-distriionデータに関する一連の実験により,提案手法は既存の最先端手法と競合することを示した。
  論文  参考訳（メタデータ） (2021-09-16T20:32:58Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。