論文の概要: Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry
- arxiv url: http://arxiv.org/abs/2606.28145v1
- Date: Fri, 26 Jun 2026 14:41:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.523841
- Title: Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry
- Title（参考訳）: ウェアラブルテレメトリによるスポーツ選手のパフォーマンス評価のためのオートエンコーダアーキテクチャ
- Authors: Mateusz Kubita, Jan Zubalewicz, Krzysztof Siwek,
- Abstract要約: 本稿では,9つのセンサランナープロファイルを1つのスカラー性能指標である潜時スコアに圧縮する能力について,次元縮小モデル,3種類のオートエンコーダ,PCA,変分オートエンコーダについて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable devices produce large, high dimensional training logs for everyday runners, and interpretation rather than data collection is now the limiting step. This paper evaluates five dimensionality reduction models, three autoencoder variants, PCA, and a Variational Autoencoder, on their ability to compress nine sensor runner profiles into a single scalar performance indicator, the latent score. Because the setting is fully unsupervised, model quality is assessed along two complementary axes: reconstruction error (Mean Squared Error) and latent score interpretability, measured via Spearman and Kendall rank correlations, Mutual Information, and Permutation Importance. These are combined into a composite selection criterion that prevents selecting models on reconstruction accuracy alone. Feature rankings from the four metrics are aggregated via a modified Borda count, and their stability is confirmed by bootstrap validation. A two feature linear baseline is included to anchor the comparison. Deep autoencoder achieved the lowest reconstruction error and the highest composite score. Once the PCA hidden layers were widened, the deeper variants became closely competitive with Deep AE on the composite criterion, indicating that the limiting factor was hidden layer capacity rather than the one dimensional bottleneck. Running pace, aerobic decoupling, and average heart rate emerged as the dominant latent score drivers across all models and resampling runs, consistent with established physiology.
- Abstract（参考訳）: ウェアラブルデバイスは、日々のランナーのために大規模で高次元のトレーニングログを生成する。
本稿では,9つのセンサランナープロファイルを1つのスカラー性能指標である潜時スコアに圧縮する能力について,次元縮小モデル,3種類のオートエンコーダ,PCA,変分オートエンコーダについて検討する。
この設定は完全に教師なしであるため、モデル品質は再構成誤差(平均二乗誤差)と潜在スコア解釈可能性(SpearmanとKendallランク相関、Mutual Information、Permutation Importance)の2つの相補的軸に沿って評価される。
これらは合成選択基準に組み合わされ、再構成精度のみのモデルの選択を防止する。
4つのメトリクスの特徴ランキングは、修正されたBordaカウントを通じて集計され、その安定性はブートストラップ検証によって確認される。
比較をアンカーする2つの特徴線形ベースラインが含まれている。
ディープオートエンコーダは、最も低い復元誤差と最高合成スコアを達成した。
PCAの隠蔽層が拡大すると、より深い変種は複合的基準でDeep AEと密接に競合し、制限係数が1次元のボトルネックよりも隠蔽層容量であることが示唆された。
ランニングペース、エアロビックデカップリング、平均心拍数は、確立された生理学と整合して、すべてのモデルと再サンプリングランで支配的な潜在スコアドライバーとして出現した。
関連論文リスト
- Beyond Encoder Accumulation: Measuring Encoder Roles in Multi-Encoder VLMs [50.3757247538081]
我々は、統一パイプラインの下で、5つの共通ビジョンエンコーダの空でないサブセット31を再訓練し、評価する。
各エンコーダのコントリビューションを,容量と必要量という2つの軸に分解する。
エンコーダごとのプロジェクタ有効ランクは、残留スコアの変動を説明する。
論文 参考訳（メタデータ） (2026-06-02T16:46:42Z) - CANMOT: Class-Aware Noise Modeling for Multi-Object Tracking in Autonomous Driving [1.2744523252873352]
CANMOTは、KFベースの3DMOTのためのクラス認識およびオブジェクト指向ノイズモデリングフレームワークである。
実験により、クラス認識とオブジェクト指向ノイズモデリングにより、トラッキング性能が向上し、アイデンティティが大幅に低減されることが示された。
結果は,標準KFベースのMOTベースラインにおいて極めて過信感を示す。
論文 参考訳（メタデータ） (2026-06-02T12:56:31Z) - MedStruct-S: A Benchmark for Key Discovery, Key-Conditioned QA and Semi-Structured Extraction from OCR Clinical Reports [2.289837306672451]
MedStruct-Sは未知のキーとOCRノイズ下でのタスク評価に特化して設計されたベンチマークである。
その結果,エンコーダのみのモデルでは,非null値鍵条件QAに対して最高の性能が得られることがわかった。
これらの結果は、このベンチマークが、異なる半構造化IE設定でモデルを選択し比較するための信頼性と実用的な基礎を提供することを示している。
論文 参考訳（メタデータ） (2026-05-04T19:37:21Z) - Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。
提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
論文 参考訳（メタデータ） (2025-09-16T12:00:42Z) - Datarus-R1: An Adaptive Multi-Step Reasoning LLM for Automated Data Analysis [0.0]
本稿では,Qwen 2.5-14B-Instructの言語モデルであるDatarus-R1-14Bを提案する。
Datarusは、独立した問合せペアではなく、推論ステップ、コード実行、エラートレース、自己補正、最終的な結論を含む完全な分析トラジェクトリに基づいて訓練されている。
論文 参考訳（メタデータ） (2025-08-18T21:58:18Z) - Pseudo-Labeling Driven Refinement of Benchmark Object Detection Datasets via Analysis of Learning Patterns [14.267929358737073]
本報告では,MS-COCO の更新版である MJ-COCO について述べる。
提案手法は損失と勾配に基づく誤り検出から始まり,潜在的にラベルのずれや難解なサンプルを同定する。
この統合パイプラインは、手動でリラベルすることなく、スケーラブルで正確なアノテーションエラーの修正を可能にする。
論文 参考訳（メタデータ） (2025-06-01T12:57:58Z) - KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。
1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。
その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
論文 参考訳（メタデータ） (2023-07-16T04:27:03Z) - Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly
Detectors [117.61449210940955]
ビデオフレームレベルで適用された軽量マスク付きオートエンコーダ(AE)に基づく効率的な異常事象検出モデルを提案する。
動き勾配に基づく重みトークンへのアプローチを導入し、静的背景シーンから前景オブジェクトへ焦点を移す。
トレーニングビデオの強化のために合成異常事象を生成し,マスク付きAEモデルを用いてオリジナルのフレームを共同で再構築する。
論文 参考訳（メタデータ） (2023-06-21T06:18:05Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。
生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。
RGVAEはリンク予測に基づいて評価される。
2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。
2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
論文 参考訳（メタデータ） (2021-01-21T21:23:17Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳（メタデータ） (2020-01-15T18:32:06Z)
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。