論文の概要: Chorus: Harmonizing Context and Sensing Signals for Data-Free Model Customization in IoT

• arxiv url: http://arxiv.org/abs/2512.15206v1
• Date: Wed, 17 Dec 2025 08:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.907967
• Title: Chorus: Harmonizing Context and Sensing Signals for Data-Free Model Customization in IoT
• Title（参考訳）: Chorus: IoTにおけるデータフリーモデルカスタマイズのためのコンテキストとセンシング信号の調和
• Authors: Liyu Zhang, Yejia Liu, Kwun Ho Liu, Runxi Huang, Xiaomin Ouyang,
• Abstract要約: 我々は,データフリーなモデルカスタマイズアプローチであるChorusを提案する。 Chorusは、センサーデータパターンへの影響を捉えた効果的なコンテキスト表現を学ぶ。 実験によると、Chorusは最先端のベースラインを最大11.3%上回っている。
• 参考スコア（独自算出の注目度）: 2.546351849351806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world IoT applications, sensor data is usually collected under diverse and dynamic contextual conditions where factors such as sensor placements or ambient environments can significantly affect data patterns and downstream performance. Traditional domain adaptation or generalization methods often ignore such context information or use simplistic integration strategies, making them ineffective in handling unseen context shifts after deployment. In this paper, we propose Chorus, a context-aware, data-free model customization approach that adapts models to unseen deployment conditions without requiring target-domain data. The key idea is to learn effective context representations that capture their influence on sensor data patterns and to adaptively integrate them based on the degree of context shift. Specifically, Chorus first performs unsupervised cross-modal reconstruction between unlabeled sensor data and language-based context embeddings, while regularizing the context embedding space to learn robust, generalizable context representations. Then, it trains a lightweight gated head on limited labeled samples to dynamically balance sensor and context contributions-favoring context when sensor evidence is ambiguous and vice versa. To further reduce inference latency, Chorus employs a context-caching mechanism that reuses cached context representations and updates only upon detected context shifts. Experiments on IMU, speech, and WiFi sensing tasks under diverse context shifts show that Chorus outperforms state-of-the-art baselines by up to 11.3% in unseen contexts, while maintaining comparable latency on smartphone and edge devices.
• Abstract（参考訳）: 現実のIoTアプリケーションでは、センサデータは通常、センサー配置や環境環境などの要因がデータパターンや下流のパフォーマンスに大きく影響する、多様な動的状況下で収集される。 従来のドメイン適応や一般化手法は、そのようなコンテキスト情報を無視したり、単純化された統合戦略を使うことが多く、デプロイ後に目に見えないコンテキストシフトを扱うのに効果がない。 本稿では、ターゲットドメインデータを必要としない配置条件にモデルを適応させる、コンテキスト対応でデータフリーなモデルカスタマイズ手法であるChorusを提案する。 キーとなる考え方は、センサーデータパターンへの影響を捉えた効果的なコンテキスト表現を学習し、コンテキストシフトの度合いに基づいてそれらを適応的に統合することである。 具体的には、Chorusはまず、ラベルのないセンサデータと言語ベースのコンテキスト埋め込みの間で教師なしのモーダルな再構築を行い、一方でコンテキスト埋め込み空間を規則化し、堅牢で一般化可能なコンテキスト表現を学習する。 そして、ラベル付きサンプルの軽量なゲートヘッドをトレーニングし、センサーの証拠が曖昧でその逆の場合に、センサーとコンテキストコントリビューションのコンテキストを動的にバランスさせる。 推論レイテンシをさらに削減するために、Chorusでは、キャッシュされたコンテキスト表現と更新を、検出されたコンテキストシフト時にのみ再利用するコンテキストキャッシュ機構を採用している。 IMU、音声、WiFiの検知タスクをさまざまなコンテキストシフトで実験した結果、Chorusは最先端のベースラインを最大11.3%上回り、スマートフォンやエッジデバイスでは同等のレイテンシを維持している。

関連論文リスト

• Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation [57.97548022208733]
  キー値抽出における表面的選択が精度と安定性のシフトを引き起こすことを示す。 生成前の文脈表現を適応的に標準化する戦略であるコンテキスト正規化を導入する。
  論文  参考訳（メタデータ） (2025-10-15T06:28:25Z)
• Context-Informed Grounding Supervision [102.11698329887226]
  コンテキストインフォームド・グラウンド(Context-Informed Grounding Supervision, CINGS)は、モデルが応答に先立って関連するコンテキストでトレーニングされる訓練後の監督である。 実験により, CINGSで訓練したモデルでは, テキスト領域と視覚領域の両方において, より強い基底が示されることがわかった。
  論文  参考訳（メタデータ） (2025-06-18T14:13:56Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Adaptive State-Space Mamba for Real-Time Sensor Data Anomaly Detection [2.922256022514318]
  本稿では,リアルタイムセンサデータ異常検出のためのemphAdaptive State-Space Mambaフレームワークを提案する。 我々のアプローチは、迅速で信頼性の高い検出機能を必要とする他の時系列タスクに容易に適用できます。
  論文  参考訳（メタデータ） (2025-03-26T21:37:48Z)
• A Reality Check on Context Utilisation for Retrieval-Augmented Generation [44.54803681476863]
  DRUID (Dataset of Retrieved Untrieved Unliable, Insufficient and Difficult-to-understand contexts) を導入し、実世界のクエリやコンテキストを手動でアノテートする。 このデータセットは、現実世界の証拠の自動検索が不可欠である自動クレーム検証のタスクに基づいている。 合成データセットは、実検索データで稀な文脈特性を誇張し、拡張された文脈利用結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-12-22T14:16:38Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Text2Data: Low-Resource Data Generation with Textual Control [100.5970757736845]
  Text2Dataは、ラベルのないデータを使って基盤となるデータ配布を理解する新しいアプローチである。 制御性を確保し、破滅的な忘れを効果的に防止する、制約最適化に基づく新たな学習目標を通じて微調整を行う。
  論文  参考訳（メタデータ） (2024-02-08T03:41:39Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)

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。