論文の概要: Beyond Lux thresholds: a systematic pipeline for classifying biologically relevant light contexts from wearable data

• arxiv url: http://arxiv.org/abs/2512.06181v1
• Date: Fri, 05 Dec 2025 22:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.225188
• Title: Beyond Lux thresholds: a systematic pipeline for classifying biologically relevant light contexts from wearable data
• Title（参考訳）: Luxしきい値を超える:ウェアラブルデータから生物学的に関連する光コンテキストを分類するための体系的パイプライン
• Authors: Yanuo Zhou,
• Abstract要約: 本研究の目的は、ウェアラブルスペクトルデータから自然対人工光を分類するための、被験者が評価し、再現可能なパイプラインと実行可能な設計規則を確立し、検証することである。 我々は26名のActLumusの記録を分析し、それぞれが10秒のサンプリングで少なくとも7日間監視し、毎日の露光日記と組み合わせた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Wearable spectrometers enable field quantification of biologically relevant light, yet reproducible pipelines for contextual classification remain under-specified. Objective: To establish and validate a subject-wise evaluated, reproducible pipeline and actionable design rules for classifying natural vs. artificial light from wearable spectral data. Methods: We analysed ActLumus recordings from 26 participants, each monitored for at least 7 days at 10-second sampling, paired with daily exposure diaries. The pipeline fixes the sequence: domain selection, log-base-10 transform, L2 normalisation excluding total intensity (to avoid brightness shortcuts), hour-level medoid aggregation, sine/cosine hour encoding, and MLP classifier, evaluated under participant-wise cross-validation. Results: The proposed sequence consistently achieved high performance on the primary task, with representative configurations reaching AUC = 0.938 (accuracy 88%) for natural vs. artificial classification on the held-out subject split. In contrast, indoor vs. outdoor classification remained at feasibility level due to spectral overlap and class imbalance (best AUC approximately 0.75; majority-class collapse without contextual sensors). Threshold baselines were insufficient on our data, supporting the need for spectral-temporal modelling beyond illuminance cut-offs. Conclusions: We provide a reproducible, auditable baseline pipeline and design rules for contextual light classification under subject-wise generalisation. All code, configuration files, and derived artefacts will be openly archived (GitHub + Zenodo DOI) to support reuse and benchmarking.
• Abstract（参考訳）: 背景: ウェアラブル分光計は生物学的に関係のある光の場定量化を可能にするが、文脈分類のための再現可能なパイプラインは未定義のままである。 目的: ウェアラブルスペクトルデータから自然と人工の光を分類するための、主題的に評価された再現可能なパイプラインと実行可能な設計規則を確立し、検証する。 方法:26名のActLumusの記録を分析し,それぞれが10秒のサンプリングで少なくとも7日間監視し,日中露光日記と組み合わせた。 パイプラインは、領域選択、対数ベース10変換、(明るさショートカットを避けるために)全強度を除くL2正規化、時間レベルのメドイドアグリゲーション、正弦/正弦時間エンコーディング、MDP分類器を参加者のクロスバリデーションで評価する。 結果: 提案手法は主課題において連続的に高い性能を達成し, AUC = 0.938 (精度88%) に達した。 対照的に、屋内と屋外の分類は、スペクトルの重なり合いと階級不均衡(AUCは約0.75、文脈センサなしの多数派崩壊)のため、実現可能性レベルに留まった。 閾値ベースラインは我々のデータでは不十分であり、照度カットオフを超えたスペクトル時間モデリングの必要性を支持した。 結論: 主観的一般化の下で, 再現可能な, 監査可能なベースラインパイプラインと, 文脈光分類のための設計規則を提供する。 すべてのコード、設定ファイル、派生したアーティファクトは、再利用とベンチマークをサポートするために、オープンにアーカイブされる(GitHub + Zenodo DOI)。

関連論文リスト

• Classification of Transient Astronomical Object Light Curves Using LSTM Neural Networks [0.0]
  マスク層を有する双方向LSTMネットワークをトレーニングし,19,920個のオブジェクトを用いて評価した。 このモデルはS-Likeクラスと周期クラスで強い性能を達成し、OC領域は0.95と0.99の曲線(AUC)である。 部分光曲線データによる評価では,S-likeクラスに対する誤分類が増大し,大幅な性能劣化が認められた。
  論文  参考訳（メタデータ） (2025-11-13T20:51:17Z)
• Textual interpretation of transient image classifications from large language models [0.0]
  大規模言語モデル(LLM)は、3つの光過渡的なサーベイデータセット上での畳み込みニューラルネットワークのパフォーマンスレベルにアプローチすることができる。 GoogleのLLMであるGeminiは、さまざまな解像度とピクセルスケールにまたがるデータセットの平均精度を93%達成している。
  論文  参考訳（メタデータ） (2025-10-08T12:12:46Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Mask-DPO: Generalizable Fine-grained Factuality Alignment of LLMs [56.74916151916208]
  大型言語モデル(LLM)は、様々なドメインでAIアシスタントとして機能する際、幻覚(不信または非感覚的な情報)を示す。 学習中に必然的にノイズを発生させる応答レベルの嗜好学習を行う従来の事実アライメント手法。 本稿では,Mask-DPO (Direct Preference Optimization, DPO) に基づくファクトリティアライメント手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T18:20:24Z)
• ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST [0.3276793654637396]
  ORACLEは、時間的・変動的な天体物理学現象のリアルタイム・文脈的分類のための最初の階層的深層学習モデルである。 ORACLEは Gated Recurrent Units (GRU) を備えたリカレントニューラルネットワークである LSST Astronomical Time-Series Classification Challenge から$sim$0.5M のイベントをトレーニングし、1日の測光観測のみを用いて、最上位(過渡対可変)のマクロ平均精度 0.96 を達成した。
  論文  参考訳（メタデータ） (2025-01-02T19:00:05Z)
• Benchmarking Pathology Feature Extractors for Whole Slide Image Classification [2.173830337391778]
  弱教師付き全スライド画像分類は、計算病理学における重要な課題である。 特徴抽出器の総合的なベンチマークを行い、3つの重要な質問に答える。 我々は経験的に観察し、潜伏空間を解析することにより、染色の正規化や画像の増大は性能を低下させない。 提案手法は, 下流性能を比較するための新しい評価指標を開発し, 下流性能の指標として, 特徴抽出器の選択が最も重要な要因であることを示す。
  論文  参考訳（メタデータ） (2023-11-20T13:58:26Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• Enhancement on Model Interpretability and Sleep Stage Scoring Performance with A Novel Pipeline Based on Deep Neural Network [4.296506281243336]
  本稿では,アメリカ睡眠医学会の定義に従い,脳波(EEG)の表現学習のための時間周波数フレームワークを提案する。 入力された脳波スペクトログラムは、時間と周波数軸の一連のパッチに分割され、さらに表現学習を行うための繊細な深層学習ネットワークに入力される。 提案したパイプラインは、大規模なデータベース、すなわちSleep Heart Health Study (SHHS)に対して検証され、その結果、ウェイク、N2、N3ステージの競合性能が最先端の作業より優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-07T02:48:13Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)

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。