論文の概要: Beyond Simulated Benchmarks: Evaluating Motion Representations for Fall Detection Under Real-World Data Scarcity

• arxiv url: http://arxiv.org/abs/2608.13197v1
• Date: Thu, 13 Aug 2026 13:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.525003
• Title: Beyond Simulated Benchmarks: Evaluating Motion Representations for Fall Detection Under Real-World Data Scarcity
• Title（参考訳）: シミュレーションベンチマークを超えて:実世界のデータスカシティにおける転倒検出のための動き表現の評価
• Abstract要約: 本研究では,実世界のデータ不足下でのウェアラブル転倒検出のための動作表現の体系的評価を行う。 この結果から,カーネルとファンデーションの高パラメータ化モデルはシミュレーションデータに優れるが,データ不足とドメインシフトの両面において著しく低下することがわかった。
• 参考スコア（独自算出の注目度）: 1.6329736798118981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Falls are a major health concern for older adults, and wearable sensors have been widely explored for detecting falls and enabling timely intervention. However, real-world falls are extremely rare: collecting 100 of them requires an estimated 100,000 days of monitoring, resulting in severely limited labelled data for training machine learning models. Consequently, many approaches rely on simulated datasets, often reporting high laboratory performance but limited real-world generalisation. We present a systematic evaluation of motion representations for wearable fall detection under real-world data scarcity. Using accelerometer signals, we compare interval-based, kernel-based, symbolic, and foundation model representations. As an interpretable baseline, we additionally investigate a lightweight symbolic representation that converts short motion segments into symbolic sentences augmented with physically-grounded impact descriptors. Experiments use FallAllD, a simulated falls dataset, and FARSEEING, a clinically verified real-world falls dataset. Through cross-validation, controlled data scarcity, and cross-dataset transfer, we examine how representation choices affect robustness under realistic deployment. Our results reveal that highly parameterised kernel and foundation models excel on simulated data but degrade severely under both data scarcity and domain shift. Although the interval-based representation achieves the strongest absolute real-world performance, augmenting a symbolic representation with physically-grounded impact descriptors yields the smallest degradation under domain shift and retains detection sensitivity under extreme scarcity, albeit at lower precision. These findings highlight the importance of evaluating beyond simulated benchmarks and show that representation choice is critical for deployable fall detection given the scarcity of real-world data.
• Abstract（参考訳）: 転倒は高齢者にとって大きな健康上の問題であり、ウェアラブルセンサーは転倒を検出し、タイムリーな介入を可能にするために広く研究されてきた。 しかし、現実の滝は極めて稀であり、100件のデータを収集するには推定10万日間の監視が必要であり、結果として機械学習モデルをトレーニングするためのラベル付きデータが著しく制限される。 その結果、多くのアプローチはシミュレーションデータセットに依存し、しばしば高い実験室性能を報告するが、実際の一般化は限られている。 本研究では,実世界のデータ不足下でのウェアラブル転倒検出のための動作表現の体系的評価を行う。 加速度計信号を用いて、インターバルベース、カーネルベース、シンボリック、ファンデーションモデル表現を比較した。 解釈可能なベースラインとして、短い動作セグメントを物理的に接地された衝撃記述子で拡張した記号文に変換する軽量なシンボル表現についても検討する。 実験では、シミュレーションされたフォールデータセットであるFallAllDと、臨床的に検証された実世界のフォールデータセットであるFARSEEINGが使用されている。 クロスバリデーション、制御されたデータ不足、およびクロスデータセット転送を通じて、現実的なデプロイメント下での表現選択がロバスト性にどのように影響するかを検討する。 この結果から,カーネルとファンデーションの高パラメータ化モデルはシミュレーションデータに優れるが,データ不足とドメインシフトの両面において著しく低下することがわかった。 インターバルベース表現は、最強の絶対的実世界性能を達成するが、物理的に接地された衝撃記述子による記号表現の増大は、ドメインシフトの下で最小の劣化を生じ、極度の不足下で検出感度は低い精度で維持する。 これらの結果は、シミュレーションベンチマークを超えて評価することの重要性を強調し、実世界のデータが不足しているため、デプロイ可能なフォール検出には表現の選択が重要であることを示す。

関連論文リスト

• Benchmarking the Alignment of Data-Quality Metrics, Human Judgment and Land-Cover Segmentation Performance for Earth Observation [4.554894288663752]
  我々は,深部生成モデルにより生成された合成データとともに,地球観測データセットを体系的に評価した。 回転などの摂動のセマンティックス保存は, 人間の認識に影響を与えないまま, 測定スコアを劇的に変化させる。 混合実合成データセットで訓練されたセマンティックセグメンテーションモデルをベンチマークすることにより、ImageNetで事前訓練された特徴空間に根ざした品質指標が地理空間データに対する信頼性の低い指標であることを実証する。
  論文  参考訳（メタデータ） (2026-06-23T20:02:57Z)
• Balancing Real and Synthetic Data for CNN-based Masonry Crack Detection [37.63495002959663]
  亀裂は建築の健康にとって重要な指標であり、早期の同定は有害な損傷を防ぐのに不可欠である。 この制限に対処するため,実データを補完し,学習効率を向上させる合成き裂データの作成を検討した。 本手法は, ひび割れ検出精度を高めつつ, 収集作業を減らすために合成データの可能性を実証する。
  論文  参考訳（メタデータ） (2026-06-06T07:51:32Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• How Real is CARLAs Dynamic Vision Sensor? A Study on the Sim-to-Real Gap in Traffic Object Detection [0.0]
  イベントカメラは、交差点でのリアルタイム物体検出に適している。 堅牢なイベントベース検出モデルの開発は、注釈付き現実世界データセットの可用性の制限によって妨げられている。 本研究では,CARLAs DVSを用いたイベントベース物体検出におけるsim-to-realギャップの定量的解析を行った。
  論文  参考訳（メタデータ） (2025-06-16T17:27:43Z)
• AI-Generated Fall Data: Assessing LLMs and Diffusion Model for Wearable Fall Detection [3.5912245880418125]
  転倒検知システムの訓練は、特に高齢者の実際の転倒データの不足により困難である。 本研究では,現実的な転倒シナリオのシミュレーションにおいて,テキスト・ツー・モーションモデルとテキスト・ツー・テキストモデルを評価する。 合成データセットを生成し、4つの実世界のベースラインデータセットと統合し、秋検出性能への影響を評価する。
  論文  参考訳（メタデータ） (2025-05-07T02:30:33Z)
• Representation Learning for Wearable-Based Applications in the Case of Missing Data [20.37256375888501]
  実環境におけるマルチモーダルセンサデータは、データ品質が低く、データアノテーションが限られているため、依然として困難である。 本稿では,不足するウェアラブルデータに対する表現学習について検討し,最新統計手法と比較する。 本研究は,マスキングに基づく自己指導型学習タスクの設計と開発に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-01-08T08:21:37Z)
• Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
  セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。 この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。 セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2023-12-14T18:56:07Z)
• Learning Defect Prediction from Unrealistic Data [57.53586547895278]
  事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。 このようなモデルは大きい傾向があり、訓練データの総量を必要とする。 人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。 このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
  論文  参考訳（メタデータ） (2023-11-02T01:51:43Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• On the Real-World Adversarial Robustness of Real-Time Semantic Segmentation Models for Autonomous Driving [59.33715889581687]
  現実世界の敵対的な例(通常はパッチの形で)の存在は、安全クリティカルなコンピュータビジョンタスクにおけるディープラーニングモデルの使用に深刻な脅威をもたらす。 本稿では,異なる種類の対立パッチを攻撃した場合のセマンティックセグメンテーションモデルのロバスト性を評価する。 画素の誤分類を誘導する攻撃者の能力を改善するために, 新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-01-05T22:33:43Z)

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。