論文の概要: Inertia-1: An Open Exploration of Wearable Motion Foundation Models
- arxiv url: http://arxiv.org/abs/2607.06617v1
- Date: Tue, 07 Jul 2026 09:22:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.155242
- Title: Inertia-1: An Open Exploration of Wearable Motion Foundation Models
- Title（参考訳）: Inertia-1: ウェアラブルモーションファンデーションモデルのオープンな探索
- Abstract要約: 我々はウェアラブル・モーション・ファンデーション・モデルの全ライフサイクルを研究するための制御されたフレームワークを構築した。
Inertia-1は、さまざまな下流タスクのための最先端のレシピを提示するだけでなく、ウェアラブルモーション表現学習のための包括的で実践的でオープンなクックブックとしても機能する。
- 参考スコア（独自算出の注目度）: 2.7995203539266797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wearable motion sensing provides a continuous and scalable window into human behavior and health, making it a natural fit for foundation models, yet its pretraining and scaling principles remain poorly understood. Prior work studies isolated design choices, such as sensor placement or sampling frequency, often under fixed settings and narrow downstream tasks that fail to capture real-world sensing diversity. We introduce Inertia-1, a fully open exploration of wearable motion foundation models. Using massive corpora of accelerometer data from global sources spanning more than 18.2M hours, we build a controlled framework for studying the full lifecycle of wearable motion foundation models, covering data choices such as sensor modality, device placement, sampling rate, window length; model choices such as architectures and model size; and training choices such as pretraining objective and data scale. Extensive evaluations across 15 datasets spanning human activity recognition, freezing-of-gait detection, and disease prediction reveal intriguing findings for building motion foundation models that generalize across tasks and sensing conditions. Collectively, Inertia-1 not only presents state-of-the-art recipes for diverse downstream tasks, but also serves as a comprehensive, practical, and open cookbook for wearable motion representation learning.
- Abstract（参考訳）: ウェアラブルモーションセンシングは、人間の行動と健康に対する継続的なスケーラブルな窓を提供するため、基礎モデルに自然に適合するが、事前学習とスケーリングの原則は理解されていない。
以前の研究では、センサー配置やサンプリング周波数などの設計選択を、しばしば固定された設定の下で分離し、下流のタスクを狭くすることで、現実世界のセンサーの多様性を捉えられなかった。
Inertia-1は、ウェアラブル運動基盤モデルの完全なオープンな探索である。
18.2M時間を超えるグローバルソースからの加速度計データの膨大なコーパスを用いて、ウェアラブル運動基盤モデルのライフサイクル全体を研究するための制御されたフレームワークを構築し、センサのモダリティ、デバイス配置、サンプリングレート、ウィンドウ長、アーキテクチャやモデルサイズなどのモデル選択、事前学習対象やデータスケールなどのトレーニング選択をカバーした。
人間の活動認識、凍結検知、疾患予測を含む15のデータセットにわたる広範囲な評価により、タスクや感知条件をまたいだ運動基盤モデル構築の興味深い発見が明らかになった。
Inertia-1は、様々な下流タスクのための最先端のレシピを提示するだけでなく、ウェアラブルモーション表現学習のための包括的で実践的でオープンなクックブックとしても機能する。
関連論文リスト
- Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Kimodo: Scaling Controllable Human Motion Generation [77.66868439601062]
キモド(Kimodo)は、700時間の光学式モーションキャプチャーデータに基づいて訓練された、制御可能な運動拡散モデルである。
本モデルでは,テキストと包括的キネマティック制約によって制御し,高品質な動作を生成する。
論文 参考訳（メタデータ） (2026-03-16T17:09:30Z) - Can Foundation Models Revolutionize Mobile AR Sparse Sensing? [2.984076446975729]
基礎モデルがモバイルスパースセンシングの環境を変えることができるかどうかを考察する。
実世界のモバイルARデータを用いて,基礎モデルが幾何認識画像のワープに大きな改善をもたらすことを示す。
本研究では,基礎モデルに基づくスパースセンシングのスケーラビリティを実証し,その3次元シーン再構成における主要な性能を示す。
論文 参考訳（メタデータ） (2025-11-04T03:06:51Z) - Galileo: Learning Global & Local Features of Many Remote Sensing Modalities [34.71460539414284]
そこで本稿では,マスクモデルを用いて,柔軟な入力モダリティの集合にまたがるマルチスケール特徴を抽出する,自己教師付き学習アルゴリズムを提案する。
私たちのガリレオは、11のベンチマークと複数のタスクで衛星画像とピクセル時系列のSoTAスペシャリストモデルを上回る、単一のジェネラリストモデルです。
論文 参考訳（メタデータ） (2025-02-13T14:21:03Z) - 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) - Daily Physical Activity Monitoring -- Adaptive Learning from Multi-source Motion Sensor Data [17.604797095380114]
医療アプリケーションでは、手首のウェアラブルデバイスのような単一のソースからのデータを使用する機械学習モデルを開発する必要性が高まっている。
しかしながら、単一ソースデータを使用することの制限は、人間の活動の全範囲を捉えるのに失敗するため、モデルの精度を損なうことが多い。
実験室で収集したマルチソースデータを活用することにより,日常的なアプリケーションを対象とした機械学習モデルを最適化するトランスファー学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-26T01:08:28Z) - Advancing Location-Invariant and Device-Agnostic Motion Activity
Recognition on Wearable Devices [6.557453686071467]
センサ位置をまたいだ運動モデルの一般化可能性に関する総合的な評価を行う。
我々の分析は、この課題を強調し、位置不変モデルを構築する上で重要な位置を特定する。
本稿では,センサ配置に関係なく,デバイス上での動作モデルを単一モデルから91.41%のフレームレベルF1スコアに展開する。
論文 参考訳（メタデータ） (2024-02-06T05:10:00Z) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳（メタデータ） (2023-10-28T10:19:55Z) - WEAR: An Outdoor Sports Dataset for Wearable and Egocentric Activity Recognition [22.988658969594276]
視覚と慣性に基づく人間活動認識(HAR)のための屋外スポーツデータセットWEARを紹介する。
合計18種類のワークアウト活動を行う22人の被験者のデータを,11箇所の外部で記録した同期慣性(アクセラレーション)とカメラ(エゴセントリックビデオ)データを用いて収集した。
ベンチマークの結果,センサ配置により,各モードが予測性能に相補的な強度と弱点を与えることがわかった。
論文 参考訳（メタデータ） (2023-04-11T09:31:07Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。