論文の概要: Personalized Recommender Systems for Gym Workouts: A Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2608.29409v1
• Date: Sat, 29 Aug 2026 19:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.953292
• Title: Personalized Recommender Systems for Gym Workouts: A Reinforcement Learning Approach
• Title（参考訳）: ジムワークアウトのためのパーソナライズされたレコメンダシステム:強化学習アプローチ
• Abstract要約: トレーニング選択からフルワークアウト処方まで、ワークアウトレコメンデーションを拡張します。 4つの環境を持つ強化学習(RL)に基づくフレームワークを提案する。 合成ユーザによる実験では、完全な処方薬タスクのモデリングがより高い報酬とユーザエンゲージメントをもたらすことが示されている。
• 参考スコア（独自算出の注目度）: 2.007262412327553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Workout recommender systems aim to help gym users complete effective and engaging training sessions. However, recommending exercises alone is insufficient, as a practical system must also determine appropriate sets, repetitions, and training loads, while adapting to user behavior such as skipping exercises. Existing approaches typically consider only a subset of these factors, limiting their applicability in real-world settings. In this paper, we extend workout recommendation from exercise selection to full workout prescription. We propose a reinforcement learning (RL)-based framework with four environments: exercise-only and full-prescription settings, each with and without skip-based interaction. The full-prescription environments recommend exercises, sets, repetitions, and load, while the skip-enabled environments use user skipping behavior for online personalization. Experiments with synthetic users show that modeling the full prescription task leads to higher rewards and greater user engagement than exercise-only recommendation, highlighting the importance of realistic workout planning in personalized gym recommender systems.
• Abstract（参考訳）: ワークアウトレコメンデーターシステムは、ジムのユーザーが効果的で魅力的なトレーニングセッションを完了するのを助けることを目的としている。 しかし, エクササイズのみの推奨は不十分であり, エクササイズなどのユーザ行動に適応しつつ, 適切なセット, 繰り返し, 訓練負荷を判断する必要がある。 既存のアプローチでは、これらの要素のサブセットのみを考慮し、現実の環境での適用性を制限するのが一般的である。 本稿では,エクササイズ選択からフルワークアウト処方まで,ワークアウト推奨を拡張した。 本研究では,4つの環境 – エクササイズのみ, フルプレプション設定 – を併用した強化学習(RL)ベースのフレームワークを提案する。 完全な規定環境は、エクササイズ、セット、繰り返し、ロードを推奨し、スキップ可能な環境は、オンラインパーソナライズのためにユーザのスキップ行動を使用する。 総合的なユーザによる実験では、トレーニング専用のレコメンデーションよりも十分な報酬とユーザエンゲージメントをもたらすことが示され、パーソナライズされたジムレコメンデーションシステムにおける現実的なワークアウト計画の重要性が強調されている。

関連論文リスト

• UserRL: Training Interactive User-Centric Agent via Reinforcement Learning [104.63494870852894]
  強化学習(Reinforcement Learning, RL)は、動的多ターン相互作用に関わるエージェントモデルのトレーニングにおいて有望であることを示す。 我々は,標準化された体育環境を通じて,ユーザ中心の能力のトレーニングと評価を行う統一的なフレームワークであるUserRLを提案する。
  論文  参考訳（メタデータ） (2025-09-24T03:33:20Z)
• Personalized Multi-task Training for Recommender System [80.23030752707916]
  PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。 我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
  論文  参考訳（メタデータ） (2024-07-31T06:27:06Z)
• Interactive Garment Recommendation with User in the Loop [77.35411131350833]
  我々は,服を作るために補完的なアイテムを推奨するので,ユーザ反応を統合することでユーザプロファイルをその場で構築することを提案する。 本稿では,適切な衣服を提案し,ユーザのフィードバックを取り入れて推薦を改善することができる強化学習エージェントを提案する。
  論文  参考訳（メタデータ） (2024-02-18T16:01:28Z)
• Using Learnable Physics for Real-Time Exercise Form Recommendations [2.1548132286330453]
  本稿では,エクササイズ手法の問題点を診断し,修正レコメンデーションを提供するアルゴリズムパイプラインを提案する。 我々は、ポーズ認識にMediaPipeを使用し、ピークプロミネンス検出による反復数をカウントし、学習可能な物理シミュレータを用いて動きの進化を追跡する。
  論文  参考訳（メタデータ） (2023-10-11T06:11:11Z)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A Multi-level Deep Learning Approach [6.647564421295215]
  プライバシーに配慮したパーソナライズされたフィットネスレコメンデーションシステムを提案する。 大規模な実フィットネスデータセットから重要な特徴を学習する多層ディープラーニングフレームワークを導入する。 本手法は,センサデータからユーザのフィットネス特性を推定することによりパーソナライズを実現する。
  論文  参考訳（メタデータ） (2022-03-23T05:27:35Z)
• Generative Adversarial Reward Learning for Generalized Behavior Tendency Inference [71.11416263370823]
  ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。 我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
  論文  参考訳（メタデータ） (2021-05-03T13:14:25Z)
• Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
  オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
  論文  参考訳（メタデータ） (2020-11-04T12:12:25Z)
• Pose Trainer: Correcting Exercise Posture using Pose Estimation [7.005458308454871]
  Pose Trainerは、ユーザのエクササイズポーズを検出し、ユーザがフォームをどのように改善できるかについて、パーソナライズされた詳細なレコメンデーションを提供するアプリケーションである。 個人的トレーニングガイドラインに基づいて、100以上のエクササイズビデオのデータセットを記録し、幾何学的ヒューリスティックな機械学習アルゴリズムを構築して評価する。
  論文  参考訳（メタデータ） (2020-06-21T05:51:37Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)

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。