論文の概要: Signal or Noise? Understanding Generative Models for Real-World Sensor Time Series

• arxiv url: http://arxiv.org/abs/2607.04245v1
• Date: Sun, 05 Jul 2026 11:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.875958
• Title: Signal or Noise? Understanding Generative Models for Real-World Sensor Time Series
• Title（参考訳）: 信号か雑音か? 実世界のセンサ時系列生成モデルを理解する
• Abstract要約: SensorGenは4つのドメイン、7つのデータセット、12の信号モダリティにまたがる14のセッティングにまたがるセンサー信号生成の大規模な研究である。 本研究は,5つの主要家系の生成モデルを体系的に評価し,3つの重要な発見点を明らかにした。 SensorGenは、現実世界のセンサデータ生成における設計選択、評価プロトコル、障害モードのより広範な理解を確立する。
• 参考スコア（独自算出の注目度）: 12.429266996338733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models have changed how machine learning represents complex data distributions, especially in language and vision, yet many real-world systems are observed instead as continuous, high-dimensional, and noisy sensor time series. Existing generative modeling of sensor data, however, remains fragmented across modalities, datasets, and task formulations, limiting a systematic understanding of when, how, and why generative models succeed or fail in real-world settings. To address this gap, we introduce SensorGen, a large-scale study of sensor-signal generation spanning 14 settings across 4 domains, 7 datasets, and 12 signal modalities. Leveraging SensorGen, we systematically evaluate generative models from five major families and uncover three key findings: (1) flow-matching models provide strong overall performance across most settings; (2) signal properties matter, with demographic covariates improving longitudinal generation and time-frequency modeling improving high-frequency signal generation; and (3) generated signals have practical utility beyond visual realism, with scaling improving generation quality and synthetic data improving downstream performance. Together, SensorGen establishes a broader understanding of design choices, evaluation protocols, and failure modes in real-world sensor data generation.
• Abstract（参考訳）: 生成モデルは、機械学習が複雑なデータ分布、特に言語や視覚においてどのように表現するかを変えるが、多くの実世界のシステムは、連続的、高次元的、ノイズの多いセンサー時系列として観察される。 しかし、既存のセンサデータの生成モデリングは、モダリティ、データセット、タスクの定式化にまたがって断片化され続けており、生成モデルが現実の環境で成功したり失敗したりする理由の体系的な理解が制限されている。 このギャップに対処するために、SensorGenを紹介した。SensorGenは、4つのドメイン、7つのデータセット、12の信号モダリティにまたがる14の設定にまたがる、センサー信号の生成に関する大規模な研究である。 SensorGenを活用することで、(1)フローマッチングモデルがほとんどの設定において強力な全体的な性能を提供すること、(2)信号特性が重要なこと、(2)縦波生成と時間周波数モデリングの改善、(3)生成した信号は視覚的リアリズムを超えて実用的な実用性を持ち、生成品質と合成データが下流のパフォーマンスを向上させること、の3つの主要な発見を体系的に評価する。 SensorGenは、現実世界のセンサデータ生成における設計選択、評価プロトコル、障害モードのより広範な理解を確立する。

関連論文リスト

• A Deep Generative Model for Synthesizing Labeled Wireless Signals [20.975071545606436]
  本稿では,新しい深層学習手法であるInter-Instance Generative Adrial Networks (IIns-GAN)を導入し,リアルなラベル付き無線信号を生成する。 生成された信号は、異なる環境シナリオに特に適応しており、様々なモデルトレーニングタスクに適しています。 その結果,IIns-GANが生成した信号は実世界の測定の物理的特性を反映していることがわかった。
  論文  参考訳（メタデータ） (2026-09-04T17:44:54Z)
• Diagnosing Aerial-View Object Detectors with Foundational Image Generative Models [45.7884146182982]
  本稿では,テキスト誘導生成,属性制御編集,自動属性検証を組み合わせた航空ビュー車両検出のための総合診断フレームワークを提案する。 この結果から, 制御された合成探索により, 実領域の性能ギャップを予測し, 効率的なデータ収集を導出できることが示唆された。 提案された診断フレームワークはモジュール化されており、機能の発展に伴って、代替の生成モデルや視覚言語モデルを組み込むことができる。
  論文  参考訳（メタデータ） (2026-07-02T19:11:57Z)
• Future Optical Flow Prediction Improves Robot Control & Video Generation [100.87884718953099]
  本稿では,VLM(Vision-Language Model)と拡散アーキテクチャを組み合わせた新しい光フロー予測モデルFOFPredを紹介する。 我々のモデルは、高度にスケーラブルだが非構造化のソースである、Webスケールの人間活動データに基づいて訓練されている。 言語駆動設定下でのロボット操作とビデオ生成による評価は、FOFPredのクロスドメインの汎用性を確立する。
  論文  参考訳（メタデータ） (2026-01-15T18:49:48Z)
• Rethinking Cross-Generator Image Forgery Detection through DINOv3 [62.80415066351157]
  クロスジェネレータ検出は、新しい挑戦フォージェネレータモデルとして登場した。 凍結した視覚基盤モデル、特にDINOv3は、既に強力なクロスジェネレータ検出能力を持っていることを示す。 トレーニング不要なトークンランク戦略を導入し、続いて軽量な線形プローブを用いて、認証関連トークンの小さなサブセットを選択する。
  論文  参考訳（メタデータ） (2025-11-27T14:01:50Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• AeroGen: Enhancing Remote Sensing Object Detection with Diffusion-Driven Data Generation [43.583735469794675]
  リモートセンシング画像オブジェクト検出(RSIOD)は、衛星や空中画像内の特定の物体を特定し、特定することを目的としている。 現在のRSIODデータセットにはラベル付きデータが不足しており、現在の検出アルゴリズムのパフォーマンスを著しく制限している。 本稿では,RSIODに適したレイアウト制御可能な拡散生成モデル(AeroGen)を提案する。
  論文  参考訳（メタデータ） (2024-11-23T09:04:33Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 仮想センシングは、利用可能なセンサデータとシステム知識を活用することで制限に対処する。 異種時間グラフニューラルネットワーク(HTGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• DeepHeteroIoT: Deep Local and Global Learning over Heterogeneous IoT Sensor Data [9.531834233076934]
  本稿では,畳み込みニューラルネットワークと双方向Gated Recurrent Unitを併用して,局所的特徴とグローバルな特徴をそれぞれ学習する新しいディープラーニングモデルを提案する。 特に、このモデルはデータセット全体で平均3.37%の精度と2.85%のF1スコアの絶対的な改善を実現している。
  論文  参考訳（メタデータ） (2024-03-29T06:24:07Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Attention-stacked Generative Adversarial Network (AS-GAN)-empowered Sensor Data Augmentation for Online Monitoring of Manufacturing System [6.635444871363967]
  本稿では,製造システムにおけるオンライン監視のセンサデータ拡張のための注意喚起型GAN(AS-GAN)アーキテクチャを提案する。 GANのジェネレータを強化し、シーケンシャルな情報をキャプチャする新しいアテンションスタックフレームワークが組み込まれている。
  論文  参考訳（メタデータ） (2023-06-09T21:35:34Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
  本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。 提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T02:54:34Z)

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。