論文の概要: Reducing Label Dependency in Human Activity Recognition with Wearables: From Supervised Learning to Novel Weakly Self-Supervised Approaches

• arxiv url: http://arxiv.org/abs/2512.19713v1
• Date: Mon, 15 Dec 2025 08:03:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.581583
• Title: Reducing Label Dependency in Human Activity Recognition with Wearables: From Supervised Learning to Novel Weakly Self-Supervised Approaches
• Title（参考訳）: ウェアラブルを用いた人間の活動認識におけるラベル依存性の低減:教師付き学習から新しい弱々しい自己監督アプローチへ
• Authors: Taoran Sheng, Manfred Huber,
• Abstract要約: ウェアラブルセンサを用いたヒューマンアクティビティ認識(HAR)は、さまざまな機械学習パラダイムを通じて進歩している。 本稿では,ウェアラブル型HARの監視スペクトルを包括的に調査する。 本研究では,(1)従来の完全教師付き学習,(2)基本的な教師なし学習,(3)制約付き弱教師付き学習,(4)知識共有型マルチタスク学習,(5)ドメイン知識に基づく自己教師付き学習,(6)ドメイン知識と最小ラベル付きデータを活用する新しい自己教師付き学習フレームワークを開発・実証的に比較する。
• 参考スコア（独自算出の注目度）: 1.1816942730023885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activity recognition (HAR) using wearable sensors has advanced through various machine learning paradigms, each with inherent trade-offs between performance and labeling requirements. While fully supervised techniques achieve high accuracy, they demand extensive labeled datasets that are costly to obtain. Conversely, unsupervised methods eliminate labeling needs but often deliver suboptimal performance. This paper presents a comprehensive investigation across the supervision spectrum for wearable-based HAR, with particular focus on novel approaches that minimize labeling requirements while maintaining competitive accuracy. We develop and empirically compare: (1) traditional fully supervised learning, (2) basic unsupervised learning, (3) a weakly supervised learning approach with constraints, (4) a multi-task learning approach with knowledge sharing, (5) a self-supervised approach based on domain expertise, and (6) a novel weakly self-supervised learning framework that leverages domain knowledge and minimal labeled data. Experiments across benchmark datasets demonstrate that: (i) our weakly supervised methods achieve performance comparable to fully supervised approaches while significantly reducing supervision requirements; (ii) the proposed multi-task framework enhances performance through knowledge sharing between related tasks; (iii) our weakly self-supervised approach demonstrates remarkable efficiency with just 10\% of labeled data. These results not only highlight the complementary strengths of different learning paradigms, offering insights into tailoring HAR solutions based on the availability of labeled data, but also establish that our novel weakly self-supervised framework offers a promising solution for practical HAR applications where labeled data are limited.
• Abstract（参考訳）: ウェアラブルセンサを用いたヒューマンアクティビティ認識(HAR)は、さまざまな機械学習パラダイムを通じて進歩し、それぞれがパフォーマンスとラベリング要件の間に固有のトレードオフを持っている。 完全に教師された技術は高い精度を達成するが、彼らは取得にコストがかかる広範囲のラベル付きデータセットを必要としている。 逆に、教師なしの手法はラベリングの必要性を排除しているが、しばしば準最適性能を提供する。 本稿では,ウェアラブルをベースとしたHARの監視スペクトルを包括的に調査し,競争精度を維持しつつラベル付け要求を最小限に抑える新しいアプローチに着目する。 本研究では,(1)従来の完全教師付き学習,(2)基本的な教師なし学習,(3)制約付き弱教師付き学習,(4)知識共有型マルチタスク学習,(5)ドメイン知識に基づく自己教師付き学習,(6)ドメイン知識と最小ラベル付きデータを活用する新しい自己教師付き学習フレームワークを開発・実証的に比較する。 ベンチマークデータセットによる実験は、次のように示している。 (i)我々の弱い監督手法は、監督要件を著しく低減しつつ、完全に監督されたアプローチに匹敵する性能を達成する。 (II)タスク間の知識共有によるパフォーマンス向上のためのマルチタスクフレームワークの提案。 第三に、我々の弱い自己監督アプローチは、ラベル付きデータのわずか10倍の精度で顕著な効率を示す。 これらの結果は、異なる学習パラダイムの補完的な強みを強調し、ラベル付きデータの可用性に基づいたHARソリューションの調整に関する洞察を提供するだけでなく、ラベル付きデータが制限された実用的なHARアプリケーションに対して、我々の新しい弱い自己管理フレームワークが有望なソリューションを提供することを示す。

関連論文リスト

• Reduction of Supervision for Biomedical Knowledge Discovery [28.68816381566995]
  知識抽出と処理に自動化手法を採用することが不可欠である。 監督レベルとモデルの有効性の間の適切なバランスを見つけることは、大きな課題である。 本研究は,非構造化テキストにおけるバイオメディカルエンティティ間の意味的関係の同定という課題に対処する。
  論文  参考訳（メタデータ） (2025-04-13T14:05:40Z)
• From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
  現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。 本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。 私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-02-09T10:30:54Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)
• Contrastive Learning with Cross-Modal Knowledge Mining for Multimodal Human Activity Recognition [1.869225486385596]
  複数のモダリティを活用することによって、より良い認識がもたらされるという仮説を探求する。 我々は、近年、人間活動認識の課題に対して、多くの対照的な自己監督的アプローチを拡張している。 マルチモーダルな自己教師型学習を実現するための,フレキシブルで汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-20T10:39:16Z)
• Boosting Supervised Learning Performance with Co-training [15.986635379046602]
  我々は,教師付き学習性能を最小限のコストで向上させることができる,軽量な自己教師付き学習フレームワークを提案する。 以上の結果から,両タスクとも教師付きタスクの精度が向上し,ドメイン適応能力が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-11-18T17:01:17Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Self-supervised driven consistency training for annotation efficient histopathology image analysis [13.005873872821066]
  大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。 本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。 また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T19:46:21Z)
• On the Marginal Benefit of Active Learning: Does Self-Supervision Eat Its Cake? [31.563514432259897]
  本稿では,自己指導型事前学習,能動的学習,一貫性型自己学習を統合した新しい枠組みを提案する。 i) 自己指導型事前学習は、特に少数レーベル体制において、セミ教師付き学習を大幅に改善する。 我々は、最先端のS4L技術と組み合わせることで、最先端のアクティブな学習アルゴリズムのさらなるメリットを観察できない。
  論文  参考訳（メタデータ） (2020-11-16T17:34:55Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)

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。