論文の概要: Uncertainty-Aware (Un)Supervised Few-Shot User Adaptation for On-Device Personalized Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2606.04798v1
• Date: Wed, 03 Jun 2026 12:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.743662
• Title: Uncertainty-Aware (Un)Supervised Few-Shot User Adaptation for On-Device Personalized Human Activity Recognition
• Title（参考訳）: デバイス上でのパーソナライズされた人間行動認識のための不確実性認識(Un)スーパービジョンFew-Shotユーザ適応
• Authors: Maximilian Burzer, Till Riedel, Michael Beigl, Tobias Röddiger,
• Abstract要約: 本稿では,事前訓練された人間活動認識(HAR)モデルをプロトタイプネットワークとして活用する,勾配のないフレームワークを提案する。 アクティビティ毎のキャリブレーションデータのわずか3秒(1ショット)で、教師なし適応はマクロF1を+2.76から+33.44ポイント、教師なし適応は+0.56から+32.13ポイント改善する。
• 参考スコア（独自算出の注目度）: 5.348421821267704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensor-based Human Activity Recognition (HAR) models often degrade on unseen users due to domain shifts caused by individual movement patterns and sensor placement. Practical wearable HAR systems therefore require personalization methods that are lightweight, applicable whether calibration data is labeled, unlabeled, or unavailable, and robust under limited calibration. We present a gradient-free framework that repurposes pretrained HAR classifiers as Prototypical Networks using using prior prototypes, which preserve zero-shot performance and regularize adaptation. For labeled calibration, we introduce closed-form Bayesian prototype estimation and extend the same principle to unlabeled calibration. With only 3 seconds of calibration data per activity (one shot), supervised adaptation improves macro-F1 by +2.76 to +33.44 percentage points across four datasets, while unsupervised adaptation improves by +0.56 to +32.13 points. Since adaptation requires only closed-form prototype updates, the framework enables efficient and robust on-device personalization of preexisting HAR classifiers.
• Abstract（参考訳）: センサベースヒューマンアクティビティ認識(HAR)モデルは、個々の動きパターンやセンサー配置によって生じるドメインシフトによって、目に見えないユーザに対して劣化することが多い。 したがって、実用的ウェアラブルHARシステムは軽量で、キャリブレーションデータがラベル付けされているかラベル付けされていないか、利用できないか、限定的なキャリブレーションの下で堅牢であるかを適用できるパーソナライズ方法を必要とする。 本稿では,事前学習したHAR分類器をプロトタイプを用いてプロトタイプネットワークとして再利用し,ゼロショット性能を保ち,適応を正規化するグラデーションフリーフレームワークを提案する。 ラベル付きキャリブレーションについては、閉形式ベイズプロトタイプ推定を導入し、同じ原理をラベルなしキャリブレーションに拡張する。 アクティビティ毎のキャリブレーションデータのわずか3秒(1ショット)で、教師なし適応はマクロF1を+2.76から+33.44ポイント改善し、教師なし適応は+0.56から+32.13ポイント改善する。 適応にはクローズドフォームのプロトタイプ更新しか必要としないため、既存のHAR分類器の効率的で堅牢なオンデバイスパーソナライズを可能にする。

関連論文リスト

• Improving Calibration in Test-Time Prompt Tuning for Vision-Language Models via Data-Free Flatness-Aware Prompt Pretraining [3.9486037760311725]
  テスト時プロンプトチューニング(TPT)は、視覚言語モデルの適応性を高めるための有望な手法として登場した。 以前の研究では、PTTは校正の不十分なモデルをしばしば生成し、予測の信頼性に関する懸念を提起している。 適応に先立って、損失景観の平坦な領域内でプロンプトを初期化する、TPTのためのシンプルで効果的な事前訓練フレームワークであるFPPを導入する。
  論文  参考訳（メタデータ） (2026-04-30T11:01:23Z)
• Correctness-Optimized Residual Activation Lens (CORAL): Transferrable and Calibration-Aware Inference-Time Steering [3.7758197704962835]
  重み付きデカイプローブを用いて、モデル内部のアクティベーションから正当性信号を捕捉する正規化時間ステアリング法であるCORALを導入する。 コラルは、常に精度を10%改善し、期待キャリブレーション誤差(ECE)を平均50%改善する。 本結果は,個々のニューロンが不十分な場合,正規化プローブを用いてモデル内部の分散情報を抽出できるという仮説を支持する。
  論文  参考訳（メタデータ） (2026-02-05T18:55:56Z)
• DST-Calib: A Dual-Path, Self-Supervised, Target-Free LiDAR-Camera Extrinsic Calibration Network [57.22935789233992]
  本稿では,オンライン方式で動作するLiDARカメラ外装キャリブレーションネットワークについて紹介する。 提案手法は,一般化可能性の観点から既存手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-03T13:57:01Z)
• Prototype-Driven Adaptation for Few-Shot Object Detection [9.557416198772673]
  Prototype-Driven Alignment (PDA)は、DeFRCN用の軽量なプラグインメトリックヘッドである。 PDAはサポートのみのプロトタイプを維持し、ミスマッチを減らすためにプロトタイプ条件のRoIアライメントを適用している。 FSOD と GFSOD のベンチマーク実験により、PDA はベースクラスと無視可能な計算オーバーヘッドに最小限の影響を伴って、新しいクラスのパフォーマンスを一貫して改善することが示された。
  論文  参考訳（メタデータ） (2025-10-29T09:32:42Z)
• Bridging Generalization and Personalization in Human Activity Recognition via On-Device Few-Shot Learning [16.255569673010122]
  HAR(Human Activity Recognition)は、異なる知覚モーダル性を持つため、多様なユーザに対して強力な一般化と、個人に対する効率的なパーソナライゼーションが必要である。 本稿では,HARにおける一般化とパーソナライゼーションを橋渡しする,デバイス上でのマルチショット学習フレームワークを提案する。 エネルギー効率の高いRISC-V GAP9マイクロコントローラのフレームワークを実装し、3つのベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2025-08-21T10:08:20Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• SelfReplay: Adapting Self-Supervised Sensory Models via Adaptive Meta-Task Replay [22.59061034805928]
  自己教師付き学習は、事前学習モデルに大量のラベルのないデータを活用する方法として登場した。 自己教師型モデルがヘテロジニアス領域で微調整された場合に発生する性能劣化について検討する。 自己教師付きモデルをパーソナライズするためのドメイン適応フレームワークであるSelfReplayを提案する。
  論文  参考訳（メタデータ） (2024-03-29T08:48:07Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。