論文の概要: Foundation models for movement data: Are they ready for prime-time?
- arxiv url: http://arxiv.org/abs/2608.13316v1
- Date: Thu, 13 Aug 2026 14:39:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.561161
- Title: Foundation models for movement data: Are they ready for prime-time?
- Title（参考訳）: ムーブメントデータのファンデーションモデル: プライムタイムの準備はできているか?
- Abstract要約: 大規模加速度計データに基づく基礎モデル (FM) は, 健康モニタリングのための汎用的特徴抽出器として提案されている。
本報告では,4つのオープンソース加速度計FMの教師付きベースラインに対する総合評価について述べる。
- 参考スコア（独自算出の注目度）: 44.17303085911197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foundation models (FMs) trained on large-scale accelerometer data have been proposed as general-purpose feature extractors for health monitoring, but systematic evidence of their advantages is lacking. We present the first comprehensive evaluation of four open-source accelerometer FMs against supervised baselines covering 19 tasks across the domains of activity recognition including activities of daily living, clinical monitoring, and physiological inference. We find task-dependent performance results: supervised models remain competitive with FMs on human action recognition (HAR), with no consistent advantage for either, while selected FMs lead on fall and stress detection and are the most robust to sensor-placement variation. As frozen feature extractors, FMs are strongest for demographic inference, whereas sleep staging performance remains near chance level for all models. The internal FM representations show strong similarity across layers, highlighting potential for future FM improvements. Linear and frozen probing reveals that UniMTS provides the strongest representations and is the only FM that surpasses the supervised baselines without finetuning. Concept discovery analysis shows all models capture high-intensity activities clearly but struggle with sedentary, complex or ambiguous activities. We provide scenario-based deployment recommendations. Furthermore, we identify FM-derived activity profile inference-moving beyond fixed category classification-as a promising research direction.
- Abstract（参考訳）: 大規模加速度計データに基づいて訓練された基礎モデル(FM)は、健康モニタリングのための汎用的特徴抽出器として提案されているが、その利点の系統的証拠は欠如している。
本報告では, 日常生活, 臨床モニタリング, 生理的推論など, 活動認識領域にまたがる19のタスクを網羅した, 教師付きベースラインに対する4つのオープンソース加速度計FMの総合評価を行った。
教師付きモデルとヒト行動認識(HAR)のFMとの競争は継続しており、どちらも一貫した優位性はないが、選択されたFMは転倒やストレス検出を導いており、センサ配置の変化に対して最も堅牢である。
凍結した特徴抽出器として、FMは人口統計学的推測において最強であるが、スリープステージング性能は全てのモデルでほぼ同等である。
内部のFM表現は層間で強い類似性を示し、将来のFM改善の可能性を強調している。
線形かつ凍結された探索は、UniMTSが最強の表現を提供し、微調整なしで教師付きベースラインを超える唯一のFMであることを示している。
概念発見分析は、すべてのモデルが高強度のアクティビティをはっきりと捉えているが、鎮静的、複雑、曖昧なアクティビティに苦慮していることを示している。
シナリオベースのデプロイメントレコメンデーションを提供します。
さらに,FMによる行動プロファイルの推測を,一定のカテゴリー分類を超えて,有望な研究方向として特定する。
関連論文リスト
- Exploring Zero-Shot Foundation Models for Multivariate Time Series Anomaly Detection [4.468174618435543]
MTSADは、産業プロセス監視や金融リスク管理といった分野における信頼性と安全性に不可欠である。
ファンデーションモデル(FM)は、強いゼロショットの一般化を伴う幅広いデータに基づいて事前訓練される。
安全水処理 (SWaT) ベンチマークにおいて, FM の産業用 MTSAD へのゼロショット適用について検討した。
論文 参考訳（メタデータ） (2026-07-14T07:32:08Z) - Scalable and Trustworthy Earth Observation Foundation Models [0.0]
ファンデーションモデル(FM)は、機械学習を独立したタスク固有モデルから、幅広いデータに基づいて事前訓練された汎用モデルに変換した。
この章は、リモートセンシング(RS)におけるFMのパラダイムを定義し、現在のモデルランドスケープを合成する。
この章は、単一の地理空間基盤モデルが普遍的に最良のものではないことを示す最近のベンチマークエビデンスも含んでいる。
論文 参考訳（メタデータ） (2026-07-08T14:31:02Z) - Foundation models for discovering robust biomarkers of neurological disorders from dynamic functional connectivity [10.811185986109136]
脳基礎モデル(FM)は、機能的接続をモデル化して脳障害を予測するために最近提案されている。
FMを含むDLモデルにより推定される潜在的なバイオマーカー候補のロバスト性を評価するためのフレームワークであるRE-CONFIRMを提案する。
論文 参考訳（メタデータ） (2026-04-23T19:18:41Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。
SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
論文 参考訳（メタデータ） (2026-04-11T13:56:41Z) - SlotFM: A Motion Foundation Model with Slot Attention for Diverse Downstream Tasks [2.0906347671401018]
本稿では,様々な下流タスクを一般化した加速度センサ基礎モデルであるSlotFMを提案する。
我々はSlotFMを、標準的な人間の活動認識を超えた16の分類と回帰ダウンストリームタスクで評価した。
論文 参考訳（メタデータ） (2025-09-25T22:41:43Z) - A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。
本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
論文 参考訳（メタデータ） (2025-03-19T14:01:16Z) - Large Model for Small Data: Foundation Model for Cross-Modal RF Human Activity Recognition [7.351361666395708]
我々は、RFベースのHARシステムを強化するために、視覚ベースのFMの知識を翻訳するクロスモーダルフレームワークであるFM-Fiを紹介する。
FM-Fiは、RFエンコーダがFMの解釈力を引き継ぐことができる新しいクロスモーダルコントラストな知識蒸留機構を含んでいる。
また、FMとRFの本質的な能力を利用して、2つのモード間のアライメントを改善するために外在的な特徴を取り除いている。
論文 参考訳（メタデータ） (2024-10-13T03:43:59Z) - On the Evaluation of Speech Foundation Models for Spoken Language Understanding [87.52911510306011]
Spoken Language Understanding Evaluation (SLUE) というベンチマークタスクスイートが最近導入され、オープンリソースやベンチマークの必要性に対処している。
このベンチマークは、これらのSLUタスクに事前訓練された音声基礎モデル(SFM)を使用することで、予備的な成功を収めた。
どのSFMがこれらの複雑なSLUタスクに最も恩恵をもたらすか、そしてこれらのSFMを組み込む上で最も効果的なアプローチは何か?
論文 参考訳（メタデータ） (2024-06-14T14:37:52Z) - Learning from models beyond fine-tuning [78.20895343699658]
Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。
LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。
本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
論文 参考訳（メタデータ） (2023-10-12T10:20:36Z) - VideoGLUE: Video General Understanding Evaluation of Foundation Models [89.07145427268948]
我々は、慎重に設計された実験プロトコルを用いて、基礎モデル(FM)の映像理解能力を評価する。
一般的な映像理解タスクに適応する際のFMの目印と有効性について共同で検討する。
論文 参考訳（メタデータ） (2023-07-06T17:47:52Z)
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。