論文の概要: STELLA: Efficient Sensor-to-LLM Translation for On-Device Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2607.03089v1
• Date: Fri, 03 Jul 2026 08:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.516157
• Title: STELLA: Efficient Sensor-to-LLM Translation for On-Device Human Activity Recognition
• Title（参考訳）: STELLA: デバイス上での人間活動認識のためのセンサからLLMへの効率的な翻訳
• Abstract要約: デバイス上でのHARのための効率的なセンサ対LLM変換フレームワークSTELLAを提案する。 軽量階層型トークン化器は、マルチチャネル慣性ウィンドウ全体をコンパクトな潜在センサトークンの固定セットに圧縮する。 STELLAはデバイス上でのパーソナライズをサポートし、少数のユーザ固有のラベル付きデータに対して軽量なトークンライザのみを適用する。
• 参考スコア（独自算出の注目度）: 4.078975699391066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: HAR is increasingly expected to run continuously on edge devices, yet recent LLM-based methods remain hard to deploy: raw sensor prompts are long, cloud inference adds latency and privacy risk, and fine-tuned LLM pipelines turn general-purpose models into task-specific classifiers. We present STELLA, an efficient sensor-to-LLM translation framework for on-device HAR that shifts the burden from LLM adaptation to sensor tokenization. A lightweight hierarchical tokenizer compresses an entire multi-channel inertial window into a fixed set of compact latent sensor tokens, which are projected into the embedding space of a frozen pretrained LLM and combined with a natural-language prompt for label scoring. This preserves activity-relevant temporal and cross-channel structure while keeping LLM-side computation predictable across sensor configurations. STELLA also supports on-device personalization, adapting only the lightweight tokenizer on small amounts of user-specific labelled data and augmenting inference with a local retrieval context, keeping the LLM, user data, and retrieval on device. Across seven public HAR datasets and eight benchmark settings, STELLA achieves new state-of-the-art performance, improving over prior methods by up to 11.83% F1; on-device personalization yields up to a further 21.91% F1 as user data accumulates after deployment. STELLA also outperforms representative time-series tokenizers under the same LLM pipeline and achieves real-time inference under practical mobile and edge budgets, showing that efficient sensor tokenization is a practical path toward accurate, private, and personalized LLM-based HAR on edge devices.
• Abstract（参考訳）: 生のセンサプロンプトは長く、クラウド推論はレイテンシとプライバシのリスクを増し、微調整されたLLMパイプラインは汎用モデルをタスク固有の分類子に変換する。 本稿では,LLM適応からセンサトークン化への負荷をシフトさせる,デバイス上でのHARのための効率的なセンサ-LLM翻訳フレームワークSTELLAを提案する。 軽量階層型トークン化器は、全マルチチャネル慣性窓をコンパクトな潜在センサトークンの固定セットに圧縮し、凍結予め訓練されたLCMの埋め込み空間に投影し、ラベルスコアのための自然言語プロンプトと組み合わせる。 これは、LCM側の計算をセンサ構成全体にわたって予測可能にしながら、活動関連時間構造とチャネル間構造を保存する。 STELLAはデバイス上でのパーソナライズもサポートしており、少量のユーザ固有のラベル付きデータに軽量なトークンライザのみを適応させ、ローカルな検索コンテキストで推論を強化し、LCM、ユーザデータ、およびデバイス上の検索を保持する。 7つの公開HARデータセットと8つのベンチマーク設定で、STELLAは新しい最先端のパフォーマンスを達成し、以前のメソッドよりも最大11.83%向上した。 STELLAは、同じLLMパイプラインの下で代表的時系列トークン装置よりも優れており、実用的なモバイルおよびエッジ予算の下でリアルタイムの推論を実現しており、効率的なセンサトークン化はエッジデバイス上での、正確でプライベートでパーソナライズされたLDMベースのHARへの実践的な道であることを示している。

関連論文リスト

• RAG-HAR+: Towards Cost-Efficient LLM-Based Human Activity Recognition for Edge Deployment [5.089700375729287]
  ウェアラブルセンサーからのヒューマンアクティビティ認識(HAR)は、医療、リハビリテーション、フィットネストラッキング、スマート環境のアプリケーションをサポートする。 既存のディープラーニングアプローチでは、データセット固有のトレーニング、大きなラベル付きコーパス、新しいセンサー設定やアクティビティへの繰り返し適応が必要になります。 Retrieval-Augmented Generation for Human Activity Recognition (RAG-HAR)は、HARをトレーニング不要の検索強化タスクとしてフレーミングすることでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-07-29T08:57:03Z)
• REPREC: Representation Driven Parameter-Efficient Recommendation System [2.7992557071345305]
  大規模言語モデル(LLM)は、自然言語タスクとして定式化することで、シーケンシャルなレコメンデーションに適用されている。 従来の作業は、入力条件付けやLLMファインチューニングを通じて、協調的およびシーケンシャルな信号を統合することでパーソナライズを改善した。 本稿では,軽量なユーザ表現アライメントアライメントを通じてLLMベースのシーケンシャルレコメンデーションを再構築する軽量フレームワークであるREPRECを提案する。
  論文  参考訳（メタデータ） (2026-07-24T22:45:33Z)
• LLM Detection as an Intervention: Downstream Impact under Strategic User Behavior [53.63441578662801]
  インタクタは、検出された属性自身だけでなく、LLM使用率や出力品質などの下流メトリクスを操縦する介入として動作する。 我々は,LLMの使用量を戦略的に選択し,コンテンツ後処理によって検出された属性を減らし,その特性を定量的に把握するスタイリングモデルを開発した。 検出された属性を低減しても出力品質は向上するが,LDM検出器を導入することで,ユーザは低品質の出力が得られる。
  論文  参考訳（メタデータ） (2026-07-21T17:11:02Z)
• Memory-Augmented LSTM Autoencoder for Unsupervised Activity Recognition with IMU Sensor Fusion [0.0]
  メモリ拡張オートエンコーダを用いた完全教師なし機能融合フレームワークを提案する。 短時間の時間的マルチセンサーデータによるアクティビティ表現を強化し、リアルタイムアプリケーションを可能にする。 本手法は,時間窓が短いにもかかわらず,特徴分離性を最大9%改善する。
  論文  参考訳（メタデータ） (2026-06-19T06:28:20Z)
• MemDLM: Memory-Enhanced DLM Training [56.40248490616793]
  Diffusion Language Models (DLM)は、Auto-Regressive (AR)モデルよりも優れた利点を提供する。 彼らは列車の干渉ミスマッチに悩まされている。 本稿では,模擬復調処理をトレーニングに組み込んだメモリ拡張DLMを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:39:56Z)
• lm-Meter: Unveiling Runtime Inference Latency for On-Device Language Models [7.524517279167586]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます統合されています。 モバイルおよびエッジデバイス(オンデバイスLDM)でLLMをローカルに実行することは、プライバシー、信頼性、通信コストの削減を約束する。 オンデバイスLSM推論に適した,最初の軽量オンライン遅延プロファイラであるlm-Meterを提案する。
  論文  参考訳（メタデータ） (2025-10-07T17:05:30Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• LED: LLM Enhanced Open-Vocabulary Object Detection without Human Curated Data Generation [52.58791563814837]
  大規模視覚言語データに基づいてトレーニングされた大規模な基礎モデルは、OVD(Open-Vocabulary Object Detection)を加速させる。 本稿では,Large Language Models (LLMs) のデコーダ層を利用して,視覚的グラウンド化を強化する手法を提案する。 中間的なLCM層は、既にリッチな空間意味論を符号化しており、初期層のみを適用すると、ほとんどの利得が得られる。
  論文  参考訳（メタデータ） (2025-03-18T00:50:40Z)
• Speeding up Speculative Decoding via Sequential Approximate Verification [7.754712828900729]
  投機的復号法 (SD) はLarge Language Models (LLM) を用いた高速推論手法である。 本稿では,SPRINTERを提案する。SPRINTERは,LLMから生成されたトークンが目標のLLMに受け入れられるかどうかを予測するために訓練された,低複雑さの検証器である。 逐次近似検証を行うことで、SPRINTERは目標のLSMによる検証を必要とせず、トークンが受け入れられないと判断された場合にのみ呼び出される。
  論文  参考訳（メタデータ） (2025-02-06T23:10:53Z)
• SensorLLM: Aligning Large Language Models with Motion Sensors for Human Activity Recognition [13.796942110105313]
  本研究では,Large Language Models(LLM)がセンサ時系列データからHAR(Human Activity Recognition)を実現するためのフレームワークであるSensorLLMを紹介する。 SensorLLMはSensor-Language Alignmentステージを通じて制限に対処する。 その後のタスク・アウェア・チューニングの段階では、HAR分類のモデルを洗練し、最先端の手法に適合または超越した性能を達成する。
  論文  参考訳（メタデータ） (2024-10-14T15:30:41Z)
• Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
  LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。 LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。 LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
  論文  参考訳（メタデータ） (2024-08-11T02:31:13Z)
• Compress, Then Prompt: Improving Accuracy-Efficiency Trade-off of LLM Inference with Transferable Prompt [96.24800696597707]
  圧縮モデルにより,このトレードオフを最適化する新たな視点を導入する。 本稿では,圧縮されたモデルを学習プロセスに公開するソフトプロンプト学習法を提案する。 我々のソフトプロンプト戦略は8x圧縮LLaMA-7Bモデルの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-05-17T20:45:13Z)
• STOP: A dataset for Spoken Task Oriented Semantic Parsing [66.14615249745448]
  エンドツーエンド音声言語理解(SLU)は単一モデルを用いて音声から直接意図を予測する。 Spoken Task-Oriented semantic Parsing (STOP) データセットをリリースします。 人間が録音した音声に加えて、我々はTS生成バージョンをリリースし、エンド・ツー・エンドのSLUシステムの低リソース領域適応の性能をベンチマークする。
  論文  参考訳（メタデータ） (2022-06-29T00:36:34Z)

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。