論文の概要: You Don't Need Attention: Gated Convolutional Modeling for Watch-Based Fall Detection

• arxiv url: http://arxiv.org/abs/2605.20275v1
• Date: Tue, 19 May 2026 03:44:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.259982
• Title: You Don't Need Attention: Gated Convolutional Modeling for Watch-Based Fall Detection
• Title（参考訳）: 注意不要:時計による転倒検出のためのゲート付き畳み込みモデリング
• Authors: Sana Alamgeer, Ronish Kumar, Awatif Yasmin, Muhammad Irshad, Anne H. H. Ngu,
• Abstract要約: Gated-CNNは、独立の一次元畳み込み特徴抽出器を介して加速度計とジャイロスコープストリームを処理する軽量なデュアルストリームアーキテクチャである。 オフライン評価では,5つの手首搭載慣性測定ユニット(IMU)データセットを用いて,平均F1スコアが93%,93%,90%,91%,90%を達成した。 リアルタイム評価のために、Google Pixel Watch 3にモデルをデプロイし、12人の参加者を対象にテストしました。
• 参考スコア（独自算出の注目度）: 2.2611915110827585
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Existing deep learning approaches for wearable fall detection systems rely on self-attention mechanisms that impose quadratic computational overhead, distributing weights across all time steps. This global weight distribution impairs the precise localization of the brief impact signatures that characterize falls within short, fixed-length windows. To overcome this challenge, we propose Gated-CNN, a lightweight dual-stream architecture that processes accelerometer and gyroscope streams through independent one-dimensional convolutional feature extractors, followed by (i) a sigmoid gating module that selectively suppresses uninformative background activations while amplifying fall-discriminative features, (ii) a global average pooling layer that compresses each stream into a compact fixed-length descriptor, and (iii) a shared classification head that fuses both descriptors for binary fall prediction. For offline evaluation, we evaluate the model across five wrist-mounted inertial measurement unit (IMU) datasets, achieving average F1-scores of 93%, 93%, 90%, 91%, and 90% on SmartFallMM, WEDA-Fall, FallAllD, UMAFall, and UP-Fall, outperforming Transformer baselines. For real-time evaluation, we deployed the model on a Google Pixel Watch 3 and tested across 12 participants. The model achieves an average F1-score of 97% and an accuracy of 98% with zero missed falls, showing that sigmoid gating offers a more structurally aligned and computationally efficient alternative to attention for commodity smartwatch-based fall detection.
• Abstract（参考訳）: ウェアラブルの落下検知システムに対する既存のディープラーニングアプローチは、2次計算オーバーヘッドを課し、すべての時間ステップに重みを分散する自己注意機構に依存している。 このグローバルな重量分布は、短い、固定長の窓に収まると特徴付けられる短い衝撃信号の正確な位置決めを損なう。 この課題を克服するために、独立して1次元畳み込み特徴抽出器を介して加速度計とジャイロスコープストリームを処理する軽量なデュアルストリームアーキテクチャであるGated-CNNを提案する。 一 転倒識別特性を増幅しつつ、不定形背景活性化を選択的に抑制するシグモイドゲーティングモジュール (ii)各ストリームをコンパクトな固定長ディスクリプタに圧縮するグローバル平均プール層 三 二分転予測のために両記述子を融合させる共有分類ヘッド。 オフライン評価では, 平均F1スコアは93%, 93%, 90%, 91%, SmartFallMM, WEDA-Fall, FallAllD, UMAFall, UP-Fallの5つの手首搭載慣性測定ユニット(IMU)データセットで評価し, トランスフォーマーベースラインを上回った。 リアルタイム評価のために、Google Pixel Watch 3にモデルをデプロイし、12人の参加者を対象にテストしました。 このモデルでは、平均F1スコアが97%、精度が98%で落差ゼロであり、Sigmoid Gatingは、コモディティスマートウォッチによる落差検出に注目するよりも、より構造的に整列し、計算的に効率的な代替手段を提供することを示している。

関連論文リスト

• Accelerating Quantum Materials Characterization: Hybrid Active Learning for Autonomous Spin Wave Spectroscopy [0.0]
  自律三軸スピン波分光のためのハイブリッド-物理インフォームドフレームワークTAS-AIを提案する。 ブラインドリコンストラクションベンチマークでは、ランダムサンプリング、粗いグリッド、ガウス過程マッパーといったモデルに依存しない手法が、物理情報プランニングよりも信頼性が高く、測定の少ないグローバルエラーしきい値に達する。 TAS-AIは10測定未満で決定的なAIC由来のエビデンス比(>100)に達する一方、モーションアウェアのスケジューリングは固定された測定予算でウォールタイム時間を32%削減する。
  論文  参考訳（メタデータ） (2026-04-26T17:54:40Z)
• Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
  教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
  論文  参考訳（メタデータ） (2025-12-19T11:37:02Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Explainable AI for microseismic event detection [1.7842332554022695]
  PhaseNetのようなディープニューラルネットワークは、ミクロ地震イベントの検出において高い精度を示しているが、それらのブラックボックスの性質は、重要な応用において懸念されている。 我々は、フェーズネットモデルの判断を解釈し、信頼性を向上させるために、グラディエント重み付きクラスアクティベーションマッピング(Grad-CAM)のような説明可能なAI技術を適用した。 我々は,XAIが深層学習モデルだけでなく,その性能も直接的に向上できることを示し,自動地震検知器の信頼性構築のためのテンプレートを提供する。
  論文  参考訳（メタデータ） (2025-10-20T11:42:17Z)
• Adaptive Monitoring and Real-World Evaluation of Agentic AI Systems [3.215065407261898]
  大規模言語モデルと外部ツールを組み合わせたマルチエージェントシステムは、研究機関からハイテイクドメインへと急速に移行している。 この「先進的な」続編は、アルゴリズムのインスタンス化や経験的な証拠を提供することで、そのギャップを埋める。 AMDMは擬似ゴールドリフトで異常検出遅延を12.3秒から5.6秒に減らし、偽陽性率を4.5%から0.9%に下げる。
  論文  参考訳（メタデータ） (2025-08-28T15:52:49Z)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• A Unified Model for Multi-class Anomaly Detection [33.534990722449066]
  UniADは、統一されたフレームワークで複数のクラスに対して異常検出を行う。 MVTec-ADおよびCIFAR-10データセットを用いて,本アルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2022-06-08T06:05:09Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)

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。