論文の概要: MMA: A Momentum Mamba Architecture for Human Activity Recognition with Inertial Sensors

• arxiv url: http://arxiv.org/abs/2511.21550v1
• Date: Wed, 26 Nov 2025 16:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.190491
• Title: MMA: A Momentum Mamba Architecture for Human Activity Recognition with Inertial Sensors
• Title（参考訳）: MMA:慣性センサを用いた人間活動認識のためのMomentum Mambaアーキテクチャ
• Authors: Thai-Khanh Nguyen, Uyen Vo, Tan M. Nguyen, Thieu N. Vo, Trung-Hieu Le, Cuong Pham,
• Abstract要約: 慣性センサー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、モバイルヘルス、環境知能に不可欠である。 モーメントム・マンバ(Momentum Mamba)は、時間ステップ間の情報フローの安定性を改善するために2次ダイナミクスを組み込んだ運動量増強型SSMである。 複数のHARベンチマークの実験では、バニラ・マンバとトランスフォーマーのベースラインの精度、堅牢性、収束速度が一貫した向上を示した。
• 参考スコア（独自算出の注目度）: 6.7394387525196215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human activity recognition (HAR) from inertial sensors is essential for ubiquitous computing, mobile health, and ambient intelligence. Conventional deep models such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and transformers have advanced HAR but remain limited by vanishing or exloding gradients, high computational cost, and difficulty in capturing long-range dependencies. Structured state-space models (SSMs) like Mamba address these challenges with linear complexity and effective temporal modeling, yet they are restricted to first-order dynamics without stable longterm memory mechanisms. We introduce Momentum Mamba, a momentum-augmented SSM that incorporates second-order dynamics to improve stability of information flow across time steps, robustness, and long-sequence modeling. Two extensions further expand its capacity: Complex Momentum Mamba for frequency-selective memory scaling. Experiments on multiple HAR benchmarks demonstrate consistent gains over vanilla Mamba and Transformer baselines in accuracy, robustness, and convergence speed. With only moderate increases in training cost, momentum-augmented SSMs offer a favorable accuracy-efficiency balance, establishing them as a scalable paradigm for HAR and a promising principal framework for broader sequence modeling applications.
• Abstract（参考訳）: 慣性センサー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、モバイルヘルス、環境知能に不可欠である。 畳み込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(RNN)、トランスフォーマーといった従来のディープモデルでは、HARは進歩しているが、勾配の消滅や露光、計算コストの高騰、長距離依存の取得が困難であることによって制限されている。 Mambaのような構造化状態空間モデル(SSM)は、線形複雑性と効果的な時間的モデリングによってこれらの課題に対処するが、安定な長期記憶機構を持たない1次力学に制限される。 モーメントム・マンバ(Momentum Mamba)は、時間ステップ、ロバスト性、ロングシーケンスモデリングにおける情報フローの安定性を改善するために、2次ダイナミクスを組み込んだ運動量拡張SSMである。 周波数選択型メモリスケーリングのための複合モメンタム・マンバ。 複数のHARベンチマークの実験では、バニラ・マンバとトランスフォーマーのベースラインの精度、堅牢性、収束速度が一貫した向上を示した。 トレーニングコストの適度な増加のみにより、運動量増強されたSSMは、HARのスケーラブルなパラダイムとして、より広範なシーケンスモデリングアプリケーションのための有望な主要なフレームワークとして、良好な精度と効率のバランスを提供する。

関連論文リスト

• SAMBA: Toward a Long-Context EEG Foundation Model via Spatial Embedding and Differential Mamba [2.1232375739287006]
  脳波(EEG)モデリングは、一般化可能な脳波表現モデルの開発に不可欠である。 我々は,マンバをベースとしたU字型エンコーダデコーダアーキテクチャを用いた自己教師型学習フレームワークであるtextitSAMBAを提案する。 SAMBAは、メモリ消費と推論時間を維持しながら、最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-11-23T18:31:18Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction [39.146761527401424]
  本稿では、状態空間のダイナミクスと変分量子ゲートを統合するハイブリッド量子最適化手法を提案する。 我々は、広く使われている3つのベンチマーク(ETT、トラフィック、為替レート)で、Q-SSMを実証的に検証する。 その結果,Q-SSMは強いベースラインよりも一貫して改善されていることがわかった。
  論文  参考訳（メタデータ） (2025-08-29T22:00:48Z)
• Structured State Space Model Dynamics and Parametrization for Spiking Neural Networks [0.8321953606016751]
  多状態スパイクニューロンは、従来のディープラーニングモデルに代わる魅力的な代替手段を提供する。 状態空間モデル(SSM)は、スパイキングニューロンのサブスレッショルド状態に類似した線形状態-内在的再発を用いた長いシーケンス処理において優れている。 そこで我々は,SSMと2次スパイキングニューロンモデルの間に数学的ブリッジを確立する。
  論文  参考訳（メタデータ） (2025-06-04T13:54:02Z)
• Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
  状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。 我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T23:15:17Z)
• Physics-informed Multiple-Input Operators for efficient dynamic response prediction of structures [0.07916635054977067]
  MIONetは空間と時間の両方で連続的に構造的応答を予測する。 モデルは単純なビームとKW-51ブリッジの両方で検証され、FEMレベルの精度は数秒で達成される。
  論文  参考訳（メタデータ） (2025-05-11T18:45:58Z)
• Longhorn: State Space Models are Amortized Online Learners [51.10124201221601]
  ステートスペースモデル(SSM)は、トレーニング中に並列性を維持しながら線形デコード効率を提供する。 本研究では、オンライン学習のレンズを通してSSM設計を探求し、特定のオンライン学習問題のメタモジュールとしてSSMを概念化する。 我々は、オンライン連想的リコール問題を解決するためのクローズドフォームソリューションに類似した、新しいディープSSMアーキテクチャであるLonghornを紹介した。
  論文  参考訳（メタデータ） (2024-07-19T11:12:08Z)

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。