論文の概要: Retrieval-Augmented Personalization with Foundation Models for Wearable Stress Detection

• arxiv url: http://arxiv.org/abs/2606.24985v1
• Date: Tue, 23 Jun 2026 14:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.081914
• Title: Retrieval-Augmented Personalization with Foundation Models for Wearable Stress Detection
• Title（参考訳）: ウェアラブルストレス検出のための基礎モデルを用いた検索機能強化型パーソナライゼーション
• Authors: Louis Simon, Mohamed Chetouani,
• Abstract要約: ウェアラブルに基づくストレス検出のパーソナライズは、生理的および行動的反応の個人間変動がかなり大きいため、依然として困難である。 検索強化パーソナライズに基づく軽量な代替案を提案する。 非パーソナライズされたトランスフォーマーベースラインに対して,精度+3.92%,マクロF1スコア+4.76%のゲインを報告した。
• 参考スコア（独自算出の注目度）: 1.2031796234206136
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Personalization in wearable-based stress detection remains challenging due to substantial inter-individual variability in physiological and behavioral responses. While traditional approaches rely on user-specific fine-tuning or costly self-supervised pre-training on large datasets, we propose a lightweight alternative based on retrieval-augmented personalization. Our method leverages frozen, out-of-domain foundation models to retrieve similar patterns from a target user's history and encode them into a compact personalized embedding that modulates representations extracted by a lightweight transformer network. We evaluate our approach on the WESAD stress detection dataset with N=15 users, comprising wrist-worn physiological (EDA, BVP, temperature) and activity (accelerometer) signals, and report gains of +3.92\% in accuracy and +4.76\% in macro F1-score over a non-personalized transformer baseline, approaching supervised fine-tuning performance without requiring any labeled user data. We further show that temporal retrieval, where only prior user samples are available, achieves performance close to full intra-user retrieval, demonstrating robustness to limited user history. Finally, we explore personalization in a cross-dataset retrieval setting, leveraging embeddings from the K-Emocon dataset to personalize representations for stress detection on the WESAD dataset.
• Abstract（参考訳）: ウェアラブルに基づくストレス検出のパーソナライズは、生理的および行動的反応の個人間変動がかなり大きいため、依然として困難である。 従来のアプローチでは,ユーザ固有の微調整や,大規模データセットによる自己監督型事前トレーニングに頼っているが,検索強化によるパーソナライゼーションに基づく軽量な代替案を提案する。 提案手法は,凍結したドメイン外基盤モデルを用いて,対象ユーザの履歴から類似したパターンを抽出し,軽量トランスフォーマーネットワークによって抽出された表現を変調する,コンパクトなパーソナライズされた埋め込みに符号化する。 我々は,N=15ユーザを対象に,手首の生理的(EDA,BVP,温度)および活動的(加速度計)信号からなるWASADストレス検出データセットに対するアプローチを評価し,非個人化トランスフォーマーベースライン上のマクロF1スコアの+3.92\%,+4.76\%を報告し,ラベル付きユーザデータを必要としない教師付き微調整性能にアプローチした。 さらに,事前のユーザサンプルのみを利用できる時間的検索は,ユーザ内検索に近い性能を示し,ユーザ履歴の制限に対する堅牢性を示す。 最後に、K-Emoconデータセットからの埋め込みを利用して、WESADデータセット上のストレス検出のための表現をパーソナライズする、クロスデータセット検索設定におけるパーソナライズについて検討する。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling [66.55381105691818]
  P-GenRM(Personalized Generative Reward Model)を提案する。 P-GenRMは、選好信号を適応的なペルソナとスコアリングルーリックを導出する構造化評価チェーンに変換する。 さらにユーザをユーザプロトタイプにクラスタリングし、二重粒度スケーリングメカニズムを導入している。
  論文  参考訳（メタデータ） (2026-02-12T16:07:22Z)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• An Adaptive System for Wearable Devices to Detect Stress Using Physiological Signals [6.025332045004531]
  本稿では PPG と EDA 信号を用いたパーソナライズされたストレス検出のための適応フレームワークを提案する。 一般化されたモデルに依存する従来の手法とは異なり、このフレームワークは各ユーザにより高いストレス検出精度のパーソナライズされたモデルを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-07-21T19:52:44Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Beyond Individual Input for Deep Anomaly Detection on Tabular Data [0.0]
  異常検出は、金融、医療、サイバーセキュリティなど、多くの領域において不可欠である。 私たちの知る限りでは、この機能機能とサンプルサンプル依存関係をうまく組み合わせる最初の作業です。 提案手法は,F1スコアとAUROCをそれぞれ2.4%,AUROCを1.2%上回り,最先端性能を実現している。
  論文  参考訳（メタデータ） (2023-05-24T13:13:26Z)
• Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings [4.4353357514621745]
  本稿では,日常の環境をターゲットとしたウェアラブルセンサを用いた微粒な応力検出問題について考察する。 我々は,生理的信号を定期的に捉え,リアルタイムで処理する多層センサエッジクラウドプラットフォームを開発した。 提案手法は,ユーザからのクエリを88%,32%削減して,望ましい検出性能を実現する。
  論文  参考訳（メタデータ） (2023-04-28T22:09:19Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。