論文の概要: TRACE-TS: Attribution-Grounded and Traceable Sensor-Language Reasoning for Human Activity Understanding
- arxiv url: http://arxiv.org/abs/2608.00200v1
- Date: Fri, 31 Jul 2026 18:26:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.549055
- Title: TRACE-TS: Attribution-Grounded and Traceable Sensor-Language Reasoning for Human Activity Understanding
- Title（参考訳）: TRACE-TS:人間活動理解のための属性と追跡可能なセンサランゲージ推論
- Authors: Sparsh Rastogi, Tanmay Kumar, Baiyu Chen, Jatin Bedi, Zechen Li, Flora D. Salim,
- Abstract要約: 本稿では, TRACE-TSをウェアラブル時系列上で構造化した信号基底推論のフレームワークとして導入する。
推論において、適応されたモデルは、帰属や教師の指導を必要とせず、共同で計算活動予測とその推論トレースを行う。
7つのウェアラブルベンチマークで、TRACE-TSは評価されたすべてのメソッドの中で最高の平均精度とF1を達成する。
- 参考スコア（独自算出の注目度）: 13.162821843671411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wearable sensors capture fine-grained motion patterns that support rich behavioral understanding, yet most existing methods reduce these signals to activity labels. Recent LM-based approaches generate natural-language explanations for sensor data, but their reasoning is weakly grounded in the underlying signal, leading to fluent yet unverifiable explanations. We introduce TRACE-TS (Traceable Reasoning with Attribution-Grounded Evidence), a framework for structured and signal-grounded reasoning over wearable time series. TRACE-TS uses attribution from an expert classifier to identify salient spatio-temporal sensor regions, uses them to construct DAG reasoning traces with explicit evidence provenance, and trains a compact language model to generate these traces through gated cross-attention over sensor memory tokens. At inference, the adapted model jointly outputs the activity prediction and its reasoning trace, without requiring attribution computation or teacher guidance. We introduce Semantic Node Match(SNM), an LLM-as-judge metric that diagnoses reasoning fidelity at the observation, inference, and synthesis levels, localizing hallucinated observations and broken evidence chains missed by standard NLG metrics. Across seven wearable benchmarks, TRACE-TS achieves the best average accuracy and F1 among all evaluated methods (84.43%/81.24%), and outperforms the best LLM-based baseline by 17.96% in F1. Our code is available at https://github.com/SparshRastogi/TRACE-TS.
- Abstract（参考訳）: ウェアラブルセンサーは、リッチな行動理解を支援する微粒な動きパターンをキャプチャするが、既存のほとんどの方法は、これらの信号をアクティビティラベルに還元する。
近年のLMベースのアプローチは、センサーデータに対して自然言語による説明を生成するが、その推論は基礎となる信号に弱く基礎を置いており、流動的で検証不可能な説明をもたらす。
本稿では, TRACE-TS (Traceable Reasoning with Attribution-Grounded Evidence) を導入する。
TRACE-TSは、専門家分類器からの帰属を利用して、有意な時空間センサー領域を識別し、明示的な証拠証拠を持つDAG推論トレースの構築に使用し、センサーメモリトークン上のゲートクロスアテンションを通じてこれらのトレースを生成するために、コンパクト言語モデルを訓練する。
推論において、適応モデルは、帰属計算や教師指導を必要とせず、活動予測とその推論トレースを共同で出力する。
実測,推測,合成レベルでの推論の精度を診断し,幻覚的観察の局所化と標準NGG測定で欠落した証拠連鎖を解消するLCM-as-judge測定法であるSemantic Node Match(SNM)を紹介した。
7つのウェアラブルベンチマークで、TRACE-TSは評価されたすべての方法(84.43%/81.24%)の中で最高の平均精度とF1を達成し、F1では最高のLCMベースのベースラインを17.96%上回っている。
私たちのコードはhttps://github.com/SparshRastogi/TRACE-TSで利用可能です。
関連論文リスト
- LogSemFuse: Semantic Evidence Fusion for Explainable Log Anomaly Detection [6.950497660953971]
LogSemFuseはエビデンス誘導プラグインフレームワークで、既存のバックボーン検出器を元のパイプラインを置き換えることなく拡張する。
我々は、DeepLog、LogAnomaly、LogBERT、NeuralLogをバックボーンとして、HDFS、BGL、LibertyのLogSemFuseを評価する。
論文 参考訳（メタデータ） (2026-07-03T20:50:07Z) - The Regularizing Power of Language-Training Deepfake Detectors [57.529452351298495]
ディープフェイク検出は一般的に、低レベルのドメイン固有のアーティファクトへの過度な適合に悩まされる。
デュアルエンコーダアーキテクチャを使用し、凍結した特殊検出器とLoRA調整されたMLLMエンコーダをペアリングする。
我々は、モデルが分類する前に記述的推論を生成することを奨励する強化学習段階を採用している。
論文 参考訳（メタデータ） (2026-05-29T12:01:17Z) - Heuristic-inspired Reasoning Priors Facilitate Data-Efficient Referring Object Detection [53.988759250627425]
HeROD(Heuristic-inspired ROD)は、明示的で解釈可能な空間的および意味的推論を注入する軽量でモデルに依存しないフレームワークである。
HeRODは、スカーセラベル体制において強い接地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） (2026-03-25T10:33:22Z) - From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs [65.04549036809557]
我々は、ステレオカメラ、LiDAR、IMU/GPSセンサーで撮影された歩行者の視線映像から構築したベンチマークを紹介する。
このデータセットは、計量的に正確な3D情報を提供し、空間的推論質問の自動生成を可能にする。
評価の結果、構造化屋内ベンチマークで観測された性能向上は、オープンワールド環境では消滅することが明らかとなった。
論文 参考訳（メタデータ） (2025-12-22T18:58:12Z) - COMPASS: Context-Modulated PID Attention Steering System for Hallucination Mitigation [2.1521364454860525]
モデルベースのフィードバックループをデコードに直接埋め込む軽量で解釈可能な制御フレームワークを導入する。
本研究では,PIDコントローラが動的にアテンションヘッドを変調して,リトレーニングやマルチパス復号を行うことなく,現実の一貫性を維持することを示す。
論文 参考訳（メタデータ） (2025-11-05T05:30:28Z) - Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。
既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。
本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
論文 参考訳（メタデータ） (2025-10-14T16:22:34Z) - PSRT: Accelerating LRM-based Guard Models via Prefilled Safe Reasoning Traces [81.70980843006681]
提案手法では,PSRT をモデル推論プロセスから Prefilled Safe Reasoning Trace に置き換える手法を紹介する。
PSRTは構築されたデータセットから“仮想トークンの安全な推論”をプリフィルし、継続的な埋め込みについて学習する。
我々は,PSRTを7つのモデル,13のデータセット,8つのジェイルブレイク法で評価した。
論文 参考訳（メタデータ） (2025-09-26T02:14:31Z) - Do Cognitively Interpretable Reasoning Traces Improve LLM Performance? [15.970162088175593]
CoT(Chain-of-Thought)トレースは、回答を生成する前に中間的推論トレースを生成する。
よくあるが、しばしば暗黙的な仮定は、CoTトレースは意味論的に意味があり、エンドユーザに解釈可能であるべきだというものである。
本稿では,LLaMAモデルとQwenモデルの教師付き微調整によるオープンブック質問応答領域におけるこの問題について検討する。
論文 参考訳（メタデータ） (2025-08-21T23:48:50Z) - The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。
UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。
実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
論文 参考訳（メタデータ） (2025-03-04T18:56:03Z) - 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)
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。