論文の概要: EdgeHAR: An Edge-Native Compact Sensor Foundation Model for Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2609.14498v1
• Date: Sun, 13 Sep 2026 13:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.830012
• Title: EdgeHAR: An Edge-Native Compact Sensor Foundation Model for Human Activity Recognition
• Title（参考訳）: EdgeHAR:人間の活動認識のためのエッジNative Compact Sensor Foundation Model
• Abstract要約: ウェアラブルインテリジェンスのためのエッジネイティブコンパクトセンサ基盤モデルである textbfEdgeHAR を提案する。 取得のバリエーションに活動知識を絡ませる従来のモデルとは異なり、EdgeHARはセンサ信号を3つの潜在コードに分解することで、伝達可能な表現を学習する。 この切り離された設計は、ターゲットドメインデータに制限のある新規ユーザ、デバイス、配置、アクティビティクラスへの効率的な適応を可能にする。
• 参考スコア（独自算出の注目度）: 21.107327725532652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensor-based human activity recognition (HAR) is fundamental to ubiquitous and wearable computing, yet existing foundation models are largely designed for cloud-scale deployment and struggle with real-world sensing shifts, including unseen users, devices, sampling rates, and sensor placements. We present \textbf{EdgeHAR}, an edge-native compact sensor foundation model designed for wearable intelligence. Unlike conventional models that entangle activity knowledge with acquisition variations, EdgeHAR learns transferable representations by factorizing sensor signals into three latent codes: an \textbf{(i)Activity-Semantic Code} capturing reusable activity knowledge, a \textbf{(ii)Motion-Dynamics Code} modeling temporal patterns, and an \textbf{(iii)Acquisition-Context Code} representing sensor-specific variations. This disentangled design enables efficient adaptation to new users, devices, placements, and activity classes with limited target-domain data. By incorporating lightweight adaptation modules, EdgeHAR achieves foundation-model-level transferability while satisfying edge constraints in computation, memory, latency, and privacy. Experiments across heterogeneous HAR datasets demonstrate that EdgeHAR maintains competitive recognition performance under distribution shifts with substantially reduced deployment cost. EdgeHAR establishes a practical paradigm for compact, edge-first foundation models for ubiquitous sensing systems.
• Abstract（参考訳）: センサベースのヒューマンアクティビティ認識(HAR)は、ユビキタスおよびウェアラブルコンピューティングの基本であるが、既存のファンデーションモデルは、主にクラウドスケールのデプロイメントと、目に見えないユーザ、デバイス、サンプリングレート、センサー配置など、現実のセンシングシフトに対処するために設計されている。 ウェアラブルインテリジェンス用に設計されたエッジネイティブなコンパクトセンサ基盤モデルである‘textbf{EdgeHAR} を提示する。 取得のバリエーションとアクティビティ知識を結び付ける従来のモデルとは異なり、EdgeHARは、センサ信号を3つの潜在コードに分解することで、転送可能な表現を学習する。 (i)Activity-Semantic Code} 再利用可能なアクティビティ知識、a \textbf{ (ii)Motion-Dynamics Code} 時間パターンのモデリング、および \textbf{ 三 センサ固有のバリエーションを表す取得文脈コード この切り離された設計は、ターゲットドメインデータに制限のある新規ユーザ、デバイス、配置、アクティビティクラスへの効率的な適応を可能にする。 軽量適応モジュールを組み込むことで、EdgeHARは、計算、メモリ、レイテンシ、プライバシのエッジ制約を満たしながら、基礎モデルレベルの転送性を実現する。 異種HARデータセットによる実験により、EdgeHARは、デプロイメントコストを大幅に削減した分散シフトの下で、競争力のある認識性能を維持していることが示された。 EdgeHARは、ユビキタスセンシングシステムのためのコンパクトでエッジファーストの基盤モデルのための実用的なパラダイムを確立している。

関連論文リスト

• CFD-HAR: User-controllable Privacy through Conditional Feature Disentanglement [4.04401169071427]
  本稿では,機能障害に基づく表現学習を通じてユーザ制御可能なプライバシを実現する手法を提案する。 オートエンコーダに基づく表現学習を用いて,少数ショットHARに対する手法の有効性を比較した。 本研究は,CFDをベースとしたHARが,潜伏空間における活動と敏感な属性を分離することにより,明示的で変更可能なプライバシ保護制御を提供することを示す。 Autoencoderベースの少ショットHARは、ラベル効率と軽量な適応性を提供するが、固有のプライバシ保護がない。
  論文  参考訳（メタデータ） (2026-03-12T04:29:18Z)
• Can Foundation Models Revolutionize Mobile AR Sparse Sensing? [2.984076446975729]
  基礎モデルがモバイルスパースセンシングの環境を変えることができるかどうかを考察する。 実世界のモバイルARデータを用いて,基礎モデルが幾何認識画像のワープに大きな改善をもたらすことを示す。 本研究では,基礎モデルに基づくスパースセンシングのスケーラビリティを実証し,その3次元シーン再構成における主要な性能を示す。
  論文  参考訳（メタデータ） (2025-11-04T03:06:51Z)
• 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)
• Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
  エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。 既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。 本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
  論文  参考訳（メタデータ） (2024-12-24T07:28:10Z)
• Large Language Model-Guided Semantic Alignment for Human Activity Recognition [14.934473748133422]
  Inertial Measurement Unit(IMU)センサーを用いたHAR(Human Activity Recognition)は、医療、安全、産業生産における応用において重要である。 アクティビティパターン、デバイスタイプ、センサー配置の変化は、データセット間の分散ギャップを生成する。 本稿では,センサの読み書きとアクティビティラベルのセマンティック解釈を生成するシステムであるLanHARを提案する。
  論文  参考訳（メタデータ） (2024-09-12T22:57:29Z)
• Towards Sustainable Personalized On-Device Human Activity Recognition with TinyML and Cloud-Enabled Auto Deployment [6.9604565273682955]
  この研究は、オンデバイスのTinyML駆動コンピューティングとクラウド対応の自動デプロイを組み合わせた新しい組み合わせによって、課題に対処するために設計された、手首のスマートバンドを導入している。 アクティビティクラスを、最小限のキャリブレーションで独自のムーブメントスタイルに調整することができる。 システムはパーソナライズされた設定において、一般化されたモデルよりも精度が37%向上する。
  論文  参考訳（メタデータ） (2024-08-26T13:28:41Z)
• Layout Agnostic Human Activity Recognition in Smart Homes through Textual Descriptions Of Sensor Triggers (TDOST) [0.22354214294493352]
  スマートホームにおけるヒューマンアクティビティ認識(HAR)システムのためのレイアウトに依存しないモデリング手法を開発した。 我々は、周囲のトリガー条件をカプセル化するセンサートリガーのテキスト記述(TDOST)を生成する。 我々は、ベンチマークしたCASASデータセットの実験を通して、見知らぬスマートホームにおけるTDOSTベースのモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-20T20:37:44Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)
• An Image Enhancing Pattern-based Sparsity for Real-time Inference on Mobile Devices [58.62801151916888]
  パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。 新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
  論文  参考訳（メタデータ） (2020-01-20T16:17:36Z)

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。