論文の概要: DySTAN: Joint Modeling of Sedentary Activity and Social Context from Smartphone Sensors

• arxiv url: http://arxiv.org/abs/2512.02025v1
• Date: Tue, 18 Nov 2025 08:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.41594
• Title: DySTAN: Joint Modeling of Sedentary Activity and Social Context from Smartphone Sensors
• Title（参考訳）: DySTAN: スマートフォンセンサを用いた鎮静活動と社会的文脈の連成モデリング
• Authors: Aditya Sneh, Nilesh Kumar Sahu, Snehil Gupta, Haroon R. Lone,
• Abstract要約: スマートフォンのセンサデータを受動的に収集するモバイルセンシングアプリケーションであるLogMeを紹介する。 共有センサ入力から両方のコンテキスト次元を共同で分類するマルチタスク学習フレームワークDySTANを提案する。 その結果、DySTANはシングルタスクCNN-BiLSTM-GRUモデルよりも21.8%、マルチタスクベースラインであるSluice Network(SN)よりも8.2%改善した。
• 参考スコア（独自算出の注目度）: 1.4844277875638687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately recognizing human context from smartphone sensor data remains a significant challenge, especially in sedentary settings where activities such as studying, attending lectures, relaxing, and eating exhibit highly similar inertial patterns. Furthermore, social context plays a critical role in understanding user behavior, yet is often overlooked in mobile sensing research. To address these gaps, we introduce LogMe, a mobile sensing application that passively collects smartphone sensor data (accelerometer, gyroscope, magnetometer, and rotation vector) and prompts users for hourly self-reports capturing both sedentary activity and social context. Using this dual-label dataset, we propose DySTAN (Dynamic Cross-Stitch with Task Attention Network), a multi-task learning framework that jointly classifies both context dimensions from shared sensor inputs. It integrates task-specific layers with cross-task attention to model subtle distinctions effectively. DySTAN improves sedentary activity macro F1 scores by 21.8% over a single-task CNN-BiLSTM-GRU (CBG) model and by 8.2% over the strongest multi-task baseline, Sluice Network (SN). These results demonstrate the importance of modeling multiple, co-occurring context dimensions to improve the accuracy and robustness of mobile context recognition.
• Abstract（参考訳）: スマートフォンのセンサデータから人間のコンテキストを正確に認識することは、特に、勉強、講義、リラックス、食事といった活動が非常に類似した慣性パターンを示すセジタリー環境では、依然として重要な課題である。 さらに、ソーシャルコンテキストはユーザーの行動を理解する上で重要な役割を担っているが、モバイルセンシング研究では見落とされがちである。 スマートフォンのセンサデータ(加速度計、ジャイロスコープ、磁力計、回転ベクトル)を受動的に収集するモバイルセンシングアプリケーションであるLogMeを導入する。 このデュアルラベルデータセットを用いて,マルチタスク学習フレームワークであるDySTAN(Dynamic Cross-Stitch with Task Attention Network)を提案する。 タスク固有のレイヤとタスク間の注意を統合して、微妙な区別を効果的にモデル化する。 DySTANは、シングルタスクCNN-BiLSTM-GRU(CBG)モデルよりも21.8%、マルチタスクベースラインであるSluice Network(SN)よりも8.2%、鎮静マクロF1スコアを改善する。 これらの結果は,モバイルコンテキスト認識の精度とロバスト性を改善するために,複数の共起コンテキスト次元をモデル化することが重要であることを示す。

関連論文リスト

• MuJo: Multimodal Joint Feature Space Learning for Human Activity Recognition [2.7532797256542403]
  HAR(Human Activity Recognition)は、人工知能における長年の問題であり、幅広い分野で応用されている。 本研究では,HAR 性能を向上させるため,総合的な Fitness Multimodal Activity データセット (FiMAD) を導入する。 本研究では,MM-Fit,myoGym, MotionSense, MHEALTHなどの実HARデータセットの性能向上を図る。
  論文  参考訳（メタデータ） (2024-06-06T08:42:36Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• Two-stream Multi-level Dynamic Point Transformer for Two-person Interaction Recognition [45.0131792009999]
  本稿では,2人インタラクション認識のための2ストリームマルチレベル動的ポイント変換器を提案する。 本モデルでは,局所空間情報,外観情報,動作情報を組み込むことで,対人インタラクションを認識するという課題に対処する。 我々のネットワークは、ほとんどの標準的な評価設定において最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-07-22T03:51:32Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• Using Language Model to Bootstrap Human Activity Recognition Ambient Sensors Based in Smart Homes [2.336163487623381]
  本稿では,活動系列分類タスクにおけるLSTMに基づく構造向上のための2つの自然言語処理手法を提案する。 以上の結果から,センサ組織マップなどの有用な情報が得られることが示唆された。 我々のテストでは、埋め込みはターゲットと異なるデータセットで事前トレーニング可能であり、転送学習を可能にしている。
  論文  参考訳（メタデータ） (2021-11-23T21:21:14Z)
• Dynamic Modeling of Hand-Object Interactions via Tactile Sensing [133.52375730875696]
  本研究では,高分解能な触覚グローブを用いて,多種多様な物体に対して4種類のインタラクティブな動作を行う。 我々は,クロスモーダル学習フレームワーク上にモデルを構築し,視覚処理パイプラインを用いてラベルを生成し,触覚モデルを監督する。 この研究は、高密度触覚センシングによる手動物体相互作用における動的モデリングの一歩を踏み出す。
  論文  参考訳（メタデータ） (2021-09-09T16:04:14Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
  位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。 この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
  論文  参考訳（メタデータ） (2021-04-01T10:19:40Z)
• Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data [0.0]
  We use the popular WISDM dataset for activity recognition。 スマートフォンやスマートウォッチは、着ている場所によって、同じ方法でデータをキャプチャしません。
  論文  参考訳（メタデータ） (2021-02-28T06:49:52Z)
• Sequential Weakly Labeled Multi-Activity Localization and Recognition on Wearable Sensors using Recurrent Attention Networks [13.64024154785943]
  本稿では,逐次的にラベル付けされたマルチアクティビティ認識と位置情報タスクを処理するために,RAN(Recurrent attention network)を提案する。 我々のRANモデルは、粗粒度シーケンシャルな弱いラベルからマルチアクティビティータイプを同時に推測することができる。 手動ラベリングの負担を大幅に軽減する。
  論文  参考訳（メタデータ） (2020-04-13T04:57:09Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。