論文の概要: RAG-HAR+: Towards Cost-Efficient LLM-Based Human Activity Recognition for Edge Deployment

• arxiv url: http://arxiv.org/abs/2607.26631v1
• Date: Wed, 29 Jul 2026 08:57:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.586348
• Title: RAG-HAR+: Towards Cost-Efficient LLM-Based Human Activity Recognition for Edge Deployment
• Title（参考訳）: RAG-HAR+:エッジ展開のためのコスト効率の良いLCMに基づくヒューマンアクティビティ認識を目指して
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.089700375729287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) from wearable sensors supports applications in healthcare, rehabilitation, fitness tracking, and smart environments. Yet, existing deep learning approaches require dataset-specific training, large labeled corpora, and repeated adaptation to new sensor settings or activity taxonomies. Retrieval-Augmented Generation for Human Activity Recognition (RAG-HAR) addresses this by framing HAR as a training-free, retrieval-augmented task, in which statistical descriptions of sensor windows are used to retrieve similar labeled examples that guide LLM-based classification. We introduce RAG-HAR+, a retrieval-first and cost-optimized extension that strengthens retrieval while reducing dependence on LLM-based inference. RAG-HAR+ uses an offline Retrieval Designer Agent to design dataset-specific feature groups from a diverse pool of motion descriptors, enabling sensor windows to be compared using features better aligned with dataset-specific activity patterns. During inference, RAG-HAR+ uses majority voting over retrieved neighbors for samples with strong retrieval evidence and defers only uncertain cases to an LLM-based Ambiguity Resolver Agent. Across six HAR benchmarks, RAG-HAR+ maintains competitive or improved performance while reducing LLM usage, token consumption, and inference time. We further extend the RAG-HAR mobile prototype to demonstrate the practical feasibility of retrieval-first, LLM-assisted HAR in mobile sensing scenarios.
• Abstract（参考訳）: 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。 しかし、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分類に繰り返し適応する必要がある。 Retrieval-Augmented Generation for Human Activity Recognition (RAG-HAR)は、HARをトレーニング不要の検索拡張タスクとすることでこの問題に対処する。 LLMに基づく推論への依存を減らしながら検索を強化する検索ファーストかつコスト最適化拡張であるRAG-HAR+を導入する。 RAG-HAR+はオフラインのRetrieval Designer Agentを使用して、さまざまなモーションディスクリプタからデータセット固有の機能グループを設計する。 推論中、RAG-HAR+は、強い証拠を持つサンプルに対して、抽出された隣人に対して多数決を行い、LLMベースの曖昧性解消剤にのみ不確実なケースを宣言する。 6つのHARベンチマークで、RAG-HAR+はLLMの使用量、トークン使用量、推論時間を削減しながら、競争力や性能の向上を維持している。 我々はさらにRAG-HARモバイルプロトタイプを拡張し、モバイルセンシングシナリオにおける検索優先のLCM支援HARの実現可能性を示す。

関連論文リスト

• STELLA: Efficient Sensor-to-LLM Translation for On-Device Human Activity Recognition [4.078975699391066]
  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。
  論文  参考訳（メタデータ） (2026-07-03T08:21:40Z)
• Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs [52.89778838903305]
  Deliberate Evolution (DE) は、検索制御からシンボル生成を分離するエージェントフレームワークである。 LLM-SRBenchの実験では、DEMは様々な科学領域でLLMベースのSRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-03T02:22:16Z)
• Programmatic Context Augmentation for LLM-based Symbolic Regression [65.01826333382738]
  大規模言語モデル(LLM)に基づく進化的探索手法が記号回帰に導入されている。 本稿では,プログラム的文脈拡張を取り入れたLLMに基づく進化的検索フレームワークを提案する。 本手法では,データ解析と情報信号抽出を積極的に行うことができる。
  論文  参考訳（メタデータ） (2026-05-04T19:34:03Z)
• LLM-Guided Exemplar Selection for Few-Shot Wearable-Sensor Human Activity Recognition [1.575769267908841]
  我々は,現在最先端のHAR(Human Activity Recognition)手法における鍵となる限界に対処するために,LLM-Guided Exemplar Selectionフレームワークを提案する。 提案手法は, 特徴量, クラス間コンフューザビリティ, および既定予算乗算器をキャプチャする, LLM 生成した知識による意味推論を取り入れた手法である。 このフレームワークは88.78%のマクロF1スコアを達成し、ランダムサンプリング、ハーディング、kセンタといった古典的なアプローチより優れている。
  論文  参考訳（メタデータ） (2025-12-26T21:03:15Z)
• RAG-HAR: Retrieval Augmented Generation-based Human Activity Recognition [5.089700375729287]
  大規模言語モデル(LLMs)を利用したHAR(Human Activity Recognition)のためのトレーニング不要検索拡張フレームワークであるRAG-HARを紹介する。 RAG-HARは軽量な統計記述子を計算し、ベクトルデータベースから意味論的に類似したサンプルを検索し、この文脈的エビデンスを用いてLCMに基づく行動識別を行う。
  論文  参考訳（メタデータ） (2025-12-06T01:53:02Z)
• Efficient Online Continual Learning in Sensor-Based Human Activity Recognition [8.720698253117837]
  PTRN-HARは、限られた量のデータで対照的な損失を用いて特徴抽出器を事前訓練する。 本稿では,PTRN-HARについて紹介する。
  論文  参考訳（メタデータ） (2025-11-04T08:48:36Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Utility-Focused LLM Annotation for Retrieval and Retrieval-Augmented Generation [96.18720164390699]
  本稿では,大規模言語モデル (LLM) を用いた検索・検索・拡張生成システム (RAG) の訓練における文書ユーティリティのアノテートについて検討する。 以上の結果から,LLM生成アノテーションは,人間のアノテーションや下流QAメトリクスのみを訓練したモデルと比較して,ドメイン外検索性能の向上とRAG結果の改善を図っている。
  論文  参考訳（メタデータ） (2025-04-07T16:05:52Z)
• DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
  本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。 広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
  論文  参考訳（メタデータ） (2025-02-11T20:02:24Z)
• Invar-RAG: Invariant LLM-aligned Retrieval for Better Generation [43.630437906898635]
  Invar-RAGと呼ばれる2段階ファインチューニングアーキテクチャを提案する。 検索段階では、LORAに基づく表現学習を統合してLLMベースの検索器を構築する。 生成段階では、抽出した情報に基づいて回答を生成する際のLCM精度を向上させるための精細調整法が用いられる。
  論文  参考訳（メタデータ） (2024-11-11T14:25:37Z)
• 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)
• DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
  本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。 具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。 このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
  論文  参考訳（メタデータ） (2024-06-25T04:27:53Z)

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。