論文の概要: DomusFM: A Foundation Model for Smart-Home Sensor Data
- arxiv url: http://arxiv.org/abs/2602.01910v1
- Date: Mon, 02 Feb 2026 10:16:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:34.068766
- Title: DomusFM: A Foundation Model for Smart-Home Sensor Data
- Title（参考訳）: DomusFM: スマートホームセンサデータの基礎モデル
- Authors: Michele Fiori, Gabriele Civitarese, Flora D. Salim, Claudio Bettini,
- Abstract要約: スマートホームセンサデータ用に設計・事前訓練された最初の基礎モデルであるDomusFMを紹介する。
DomusFMはトークンレベルのセマンティック属性とシーケンスレベルの時間的依存関係の両方をキャプチャするために、自己教師付きデュアルコントラスト学習パラダイムを採用している。
実世界のスマートホームシステムの実践的デプロイ性を維持しながら,データの不足に対処する。
- 参考スコア（独自算出の注目度）: 11.28458211143065
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Smart-home sensor data holds significant potential for several applications, including healthcare monitoring and assistive technologies. Existing approaches, however, face critical limitations. Supervised models require impractical amounts of labeled data. Foundation models for activity recognition focus only on inertial sensors, failing to address the unique characteristics of smart-home binary sensor events: their sparse, discrete nature combined with rich semantic associations. LLM-based approaches, while tested in this domain, still raise several issues regarding the need for natural language descriptions or prompting, and reliance on either external services or expensive hardware, making them infeasible in real-life scenarios due to privacy and cost concerns. We introduce DomusFM, the first foundation model specifically designed and pretrained for smart-home sensor data. DomusFM employs a self-supervised dual contrastive learning paradigm to capture both token-level semantic attributes and sequence-level temporal dependencies. By integrating semantic embeddings from a lightweight language model and specialized encoders for temporal patterns and binary states, DomusFM learns generalizable representations that transfer across environments and tasks related to activity and event analysis. Through leave-one-dataset-out evaluation across seven public smart-home datasets, we demonstrate that DomusFM outperforms state-of-the-art baselines on different downstream tasks, achieving superior performance even with only 5% of labeled training data available for fine-tuning. Our approach addresses data scarcity while maintaining practical deployability for real-world smart-home systems.
- Abstract（参考訳）: スマートホームセンサーのデータは、医療監視や補助技術など、いくつかのアプリケーションにとって大きな可能性を秘めている。
しかし、既存のアプローチには限界がある。
監視されたモデルは、非現実的な量のラベル付きデータを必要とする。
活動認識の基礎モデルは慣性センサーにのみ焦点をあてており、スマートホームバイナリセンサーイベントのユニークな特徴に対処することができない。
LLMベースのアプローチは、この領域でテストされているが、自然言語の記述やプロンプトの必要性、外部サービスや高価なハードウェアに依存しているため、プライバシやコストの懸念から現実のシナリオでは実現不可能である。
スマートホームセンサデータ用に設計・事前訓練された最初の基礎モデルであるDomusFMを紹介する。
DomusFMはトークンレベルのセマンティック属性とシーケンスレベルの時間的依存関係の両方をキャプチャするために、自己教師付きデュアルコントラスト学習パラダイムを採用している。
軽量言語モデルからのセマンティック埋め込みと、時間的パターンとバイナリ状態のための特殊なエンコーダを統合することで、DomusFMは、アクティビティやイベント分析に関連する環境やタスク間で伝達される一般化可能な表現を学習する。
7つのパブリックなスマートホームデータセット間でのデータのアウトアウト評価を通じて、DomusFMはさまざまなダウンストリームタスクにおける最先端のベースラインよりも優れており、微調整に使用可能なラベル付きトレーニングデータの5%に過ぎず、優れたパフォーマンスを実現していることを示す。
実世界のスマートホームシステムの実践的デプロイ性を維持しながら,データの不足に対処する。
関連論文リスト
- Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。
本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-30T17:58:01Z) - From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs [65.04549036809557]
我々は、ステレオカメラ、LiDAR、IMU/GPSセンサーで撮影された歩行者の視線映像から構築したベンチマークを紹介する。
このデータセットは、計量的に正確な3D情報を提供し、空間的推論質問の自動生成を可能にする。
評価の結果、構造化屋内ベンチマークで観測された性能向上は、オープンワールド環境では消滅することが明らかとなった。
論文 参考訳（メタデータ） (2025-12-22T18:58:12Z) - DeepFeatIoT: Unifying Deep Learned, Randomized, and LLM Features for Enhanced IoT Time Series Sensor Data Classification in Smart Industries [2.2120045208641184]
IoT(Internet of Things)センサーは、スマートシティ、産業サイト、医療システムにまたがるユビキタス技術である。
我々は、学習したローカル機能とグローバル機能を非学習ランダム化されたカーネルベースの機能に統合する新しいディープラーニングモデルDeepFeatIoTを提案する。
我々のモデルの有効性は、複数の実世界のIoTセンサーデータセットにまたがる一貫性と一般化されたパフォーマンスによって実証される。
論文 参考訳（メタデータ） (2025-08-13T03:47:33Z) - LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。
AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。
AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
論文 参考訳（メタデータ） (2025-06-05T17:57:11Z) - 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) - PIM: Physics-Informed Multi-task Pre-training for Improving Inertial Sensor-Based Human Activity Recognition [4.503003860563811]
IMUに基づくヒューマンアクティビティ認識(HAR)のための物理インフォームドマルチタスク事前学習(PIM)フレームワークを提案する。
PIMは、人間の動作の基本的物理的側面の理解に基づいて、プレテキストタスクを生成する。
マクロf1スコアの約10%の利得と,クラスごとのラベル付き例は2～8例に過ぎなかった。
論文 参考訳（メタデータ） (2025-03-23T08:16:01Z) - SensorLLM: Aligning Large Language Models with Motion Sensors for Human Activity Recognition [13.796942110105313]
本研究では,Large Language Models(LLM)がセンサ時系列データからHAR(Human Activity Recognition)を実現するためのフレームワークであるSensorLLMを紹介する。
SensorLLMはSensor-Language Alignmentステージを通じて制限に対処する。
その後のタスク・アウェア・チューニングの段階では、HAR分類のモデルを洗練し、最先端の手法に適合または超越した性能を達成する。
論文 参考訳（メタデータ） (2024-10-14T15:30:41Z) - Layout Agnostic Human Activity Recognition in Smart Homes through Textual Descriptions Of Sensor Triggers (TDOST) [0.22354214294493352]
スマートホームにおけるヒューマンアクティビティ認識(HAR)システムのためのレイアウトに依存しないモデリング手法を開発した。
我々は、周囲のトリガー条件をカプセル化するセンサートリガーのテキスト記述(TDOST)を生成する。
我々は、ベンチマークしたCASASデータセットの実験を通して、見知らぬスマートホームにおけるTDOSTベースのモデルの有効性を実証する。
論文 参考訳（メタデータ） (2024-05-20T20:37:44Z) - Know Thy Neighbors: A Graph Based Approach for Effective Sensor-Based
Human Activity Recognition in Smart Homes [0.0]
スマートホームにおけるヒューマンアクティビティ認識(HAR)のためのグラフ誘導ニューラルネットワーク手法を提案する。
スマートホームにおけるセンサネットワークを表す,より表現力のあるグラフ構造を学習することで,これを実現する。
本手法は,アテンション機構の適用により,個別の入力センサ計測を特徴空間にマッピングする。
論文 参考訳（メタデータ） (2023-11-16T02:43:13Z)
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。