論文の概要: PI-TTA: Physics-Informed Source-Free Test-Time Adaptation for Robust Human Activity Recognition on Mobile Devices
- arxiv url: http://arxiv.org/abs/2604.25435v1
- Date: Tue, 28 Apr 2026 09:44:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.804766
- Title: PI-TTA: Physics-Informed Source-Free Test-Time Adaptation for Robust Human Activity Recognition on Mobile Devices
- Title（参考訳）: PI-TTA:モバイルデバイス上でのロバストな人間活動認識のための物理インフォームドソースフリーテスト時間適応
- Authors: Changyu Li, Lu Wang, Ming Lei, Jiashen Liu, Yichen Zhang, Kaishun Wu, Fei Luo,
- Abstract要約: ソースフリーテストタイム適応(TTA)は、プライベートデータを集中化せずにデバイス上でのパーソナライズを可能にするため、モバイルおよびウェアラブルセンシングにアピールしている。
本稿では,3つの物理制約によるオンライン更新を安定化する軽量なソースフリー適応フレームワークPI-TTAを提案する。
- 参考スコア（独自算出の注目度）: 14.981641027538387
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Source-free test-time adaptation (TTA) is appealing for mobile and wearable sensing because it enables on-device personalization from unlabeled test streams without centralizing private data. However, sensor-based human activity recognition (HAR) poses challenges that are less pronounced in standard vision benchmarks: behavioral inertial streams are temporally correlated and often exhibit within-session shifts caused by sensor rotation, placement change, and sampling-rate drift. Under this streaming non-i.i.d. setting, widely used vision-style TTA objectives can become unstable, leading to overconfident errors, representation collapse, and catastrophic forgetting. We propose PI-TTA, a lightweight source-free adaptation framework that stabilizes online updates through three physics-consistent constraints: gravity consistency, short-horizon temporal continuity, and spectral stability. PI-TTA updates the same small parameter subset as strong source-free baselines and incurs only modest overhead, making it suitable for on-device deployment. Experiments on USCHAD, PAMAP2, and mHealth under long-sequence stress tests and factorized shift protocols show that PI-TTA mitigates the severe degradation observed in confidence-driven baselines and preserves stable adaptation under sustained streaming conditions. It improves long-sequence accuracy by up to 9.13% and reduces physical-violation rates by 27.5%, 24.1%, and 45.4% on USCHAD, PAMAP2, and mHealth, respectively. These results demonstrate that physics-informed adaptation can improve accuracy, stability, and deployment reliability for real-world mobile sensing systems.
- Abstract（参考訳）: ソースフリーテストタイム適応(TTA)は、プライベートデータを集中化せずに、未ラベルのテストストリームからデバイス上でのパーソナライズを可能にするため、モバイルおよびウェアラブルセンシングにアピールしている。
しかし、センサベースの人間行動認識(HAR)は、標準的なビジョンベンチマークでは顕著でない課題を生じている: 行動慣性ストリームは時間的相関があり、しばしばセンサー回転、配置変化、サンプリングレートドリフトによって引き起こされるセッション内シフトを示す。
このストリーミング設定では、広く使われている視覚スタイルのTTA目標が不安定になり、過度に自信過剰なエラー、表現の崩壊、破滅的な忘れが生じる。
本稿では,3つの物理制約(重力一貫性,短水平時間連続性,スペクトル安定性)を通じてオンライン更新を安定化する軽量なソースフリー適応フレームワークPI-TTAを提案する。
PI-TTAは、強力なソースフリーベースラインと同じ小さなパラメータサブセットを更新し、最小限のオーバーヘッドしか発生しないため、オンデバイスデプロイメントに適している。
USCHAD, PAMAP2, mHealthの長時間のストレス試験および因子シフトプロトコルによる実験により, PI-TTAは信頼性駆動ベースラインで観測された深刻な劣化を緩和し, 持続的なストリーミング条件下での安定な適応を保った。
ロングシーケンスの精度は最大9.13%向上し、USCHAD、PAMAP2、mHealthでそれぞれ27.5%、24.1%、45.4%低下する。
これらの結果から,物理インフォームド・アダプティブは実世界のモバイルセンシングシステムの精度,安定性,デプロイメントの信頼性を向上させることが示唆された。
関連論文リスト
- KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。
非視界条件下では測定信頼性が著しく低下する。
慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
論文 参考訳（メタデータ） (2026-03-06T03:12:52Z) - When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。
トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-03-04T22:21:54Z) - Physics-Guided Tiny-Mamba Transformer for Reliability-Aware Early Fault Warning [2.491980790083337]
オンラインコンディション監視に適したコンパクトな三分岐エンコーダであるPG-TMT(Physical-Guided Tiny-Mamba Transformer)を提案する。
奥行き分離可能な畳み込みステムは、マイクロトランジェント、Tiny-Mamba状態空間分岐モデル、および軽量ローカルトランスフォーマーがチャネル間共鳴を符号化する。
PG-TMTは、信頼性中心の予後と健康管理のための早期警告を提供する。
論文 参考訳（メタデータ） (2026-01-29T05:46:12Z) - Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。
特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。
そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-27T02:27:10Z) - ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM [5.5217350574838875]
視覚-慣性SLAM性能を向上させる新しいフレームワークであるICD-Netを提案する。
従来のVINS-Fusionと比較して,軌道推定精度は有意に向上した。
ニューラルネットワークの強化は,SLAM劣化の複数の要因に効果的に対処できることを示す。
論文 参考訳（メタデータ） (2025-11-13T11:25:02Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。
DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。
我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
論文 参考訳（メタデータ） (2024-11-26T17:28:10Z) - Freezing of Gait Detection Using Gramian Angular Fields and Federated Learning from Wearable Sensors [6.369424231505372]
歩行凍結(英: Freezing of Gait、FOG)はパーキンソン病の症状である。
本稿では,単一センサのみを用いた実世界展開型FOG検出システムFOGSenseを提案する。
論文 参考訳（メタデータ） (2024-11-18T17:43:43Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - TLIO: Tight Learned Inertial Odometry [43.17991168599939]
IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。
ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
論文 参考訳（メタデータ） (2020-07-06T03:13:34Z)
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。