論文の概要: Domain Generalization for Smartphone-Based Human Activity Recognition: A Systematic Analysis of Components and Interactions

• arxiv url: http://arxiv.org/abs/2609.14863v1
• Date: Mon, 14 Sep 2026 00:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.018333
• Title: Domain Generalization for Smartphone-Based Human Activity Recognition: A Systematic Analysis of Components and Interactions
• Title（参考訳）: スマートフォンを用いたヒューマンアクティビティ認識のためのドメイン一般化:コンポーネントとインタラクションの体系的分析
• Abstract要約: ドメイン一般化(DG)は、ターゲットデータにアクセスせずにソースドメインから学習する問題に対処する。 スマートフォンを用いたヒューマンアクティビティ認識(HAR)のための大規模DGベンチマークを提案する。 その結果、個々のDG成分は、限られた条件付きゲインを提供することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smartphone-based Human Activity Recognition (HAR) models often degrade under distribution shifts caused by changes in users, devices, sensor placements, environments, and acquisition protocols. Domain Generalization (DG) addresses this problem by learning from source domains without access to target data. Existing DG methods span training objectives, representation initialization, and architectural modifications, but these components are typically evaluated in isolation despite operating at different stages of the learning pipeline. We present a large-scale controlled benchmark of DG for smartphone-based HAR, comprising more than 410,000 experiments across four model architectures, thirteen training objectives including Empirical Risk Minimization (ERM), five initialization strategies, four architectural configurations, and two shift scenarios: cross-dataset and cross-position. Results show that individual DG components provide limited and highly conditional gains. Alternative objectives rarely outperform ERM consistently, self-supervised initialization helps in specific settings, and architectural modifications, particularly Dynamic Domain Generalization, provide the clearest standalone improvements. Joint configurations, however, frequently outperform their individual components and exhibit complementary and sometimes super-additive interactions, although gains remain model- and shift-dependent. Class-level analysis shows that the strongest configurations mainly improve difficult, shift-sensitive decision boundaries. Finally, oracle checkpoint analysis reveals substantial unrealized performance: source-validation selection recovers only 53% and 26% of the available oracle gain in cross-dataset and cross-position settings, respectively. Overall, effective HAR domain generalization requires jointly designing DG components and robust model-selection strategies.
• Abstract（参考訳）: スマートフォンベースのヒューマンアクティビティ認識(HAR)モデルは、ユーザ、デバイス、センサー配置、環境、取得プロトコルの変更によって生じる分散シフトによって劣化することが多い。 ドメイン一般化(DG)は、ターゲットデータにアクセスせずにソースドメインから学習することでこの問題に対処する。 既存のDGメソッドは、トレーニング対象、表現初期化、アーキテクチャ修正にまたがるが、これらのコンポーネントは通常、学習パイプラインの異なる段階で運用されているにもかかわらず、独立して評価される。 本研究では,4つのモデルアーキテクチャを対象とした410,000以上の実験,経験的リスク最小化(ERM)を含む13のトレーニング目標,5つの初期化戦略,4つのアーキテクチャ構成,および2つのシフトシナリオを含むスマートフォンベースのHAR用DGの大規模制御ベンチマークを提案する。 その結果、個々のDG成分は、限られた条件付きゲインを提供することがわかった。 独自の初期化は特定の設定で役立ち、アーキテクチャの変更、特にDynamic Domain Generalizationは、最も明確なスタンドアロンの改善を提供します。 しかし、結合構成は個々の成分より優れ、相補的で時に超付加的な相互作用を示すが、利得はモデル依存とシフト依存のままである。 クラスレベルの分析は、最も強い構成は、主に困難でシフトに敏感な決定境界を改善することを示している。 ソースバリデーションの選択は、それぞれ、クロスデータセットとクロスポジション設定で利用可能なオラクルゲインの53%と26%しか回復しない。 全体として、効果的なHARドメインの一般化には、DGコンポーネントと堅牢なモデル選択戦略を共同で設計する必要がある。

関連論文リスト

• Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
  ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。 我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
  論文  参考訳（メタデータ） (2026-01-14T07:28:54Z)
• Domain Generalization for Person Re-identification: A Survey Towards Domain-Agnostic Person Matching [9.437150525177383]
  人物再識別(ReID)は、重複しないカメラビューで撮影された同一人物の画像を取得することを目的としている。 従来のReIDメソッドは、視点、背景、照明条件の変化によって引き起こされるドメインシフトによって、目に見えない領域に一般化できない。 近年,多様な環境における一般化を促進するための様々な手法が研究されている。
  論文  参考訳（メタデータ） (2025-06-14T09:15:00Z)
• A Large-scale Benchmark on Geological Fault Delineation Models: Domain Shift, Training Dynamics, Generalizability, Evaluation and Inferential Behavior [11.859145373647474]
  本研究は,地震解析における領域シフト戦略のガイドラインを提供するために設計された,最初の大規模ベンチマーク研究である。 私たちのベンチマークでは、モデルアーキテクチャ、データセット、トレーニング戦略を3つのデータセットで200以上組み合わせています。 我々の分析は、ソースとターゲットのデータセットが結合していない場合、一般的な微調整のプラクティスが破滅的な忘れを招きかねないことを示している。
  論文  参考訳（メタデータ） (2025-05-13T13:56:43Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• SoMA: Singular Value Decomposed Minor Components Adaptation for Domain Generalizable Representation Learning [6.262268096839562]
  ドメインの一般化は、1つまたは複数のソースドメインを使用してモデルを適応し、目に見えないターゲットドメインで堅牢なパフォーマンスを保証することを目的としています。 既存のPEFT手法は、事前訓練されたモデルの一般化可能なコンポーネントと学習タスク固有の特徴のバランスをとるのに苦労する。 Singular Value De Minor Components Adaptation (SoMA) を導入する。
  論文  参考訳（メタデータ） (2024-12-05T11:17:57Z)
• M3D: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition [11.252832459891566]
  本稿では,M3D(Manifold-based Domain Adaptation with Dynamic Distribution)を提案する。 M3Dは、多様体特徴変換、動的分布アライメント、分類器学習、アンサンブル学習の4つの重要なモジュールで構成されている。 実験の結果,M3Dは平均4.47%の精度で従来の非深度学習法より優れていた。
  論文  参考訳（メタデータ） (2024-04-24T03:08:25Z)
• Efficiently Assemble Normalization Layers and Regularization for Federated Domain Generalization [1.1534313664323637]
  ドメインシフト(Domain shift)は、マシンラーニングにおいて、目に見えないドメインでテストした場合に、モデルのパフォーマンス低下に悩まされるという深刻な問題である。 FedDGは、プライバシー保護の方法で協調的なクライアントを使用してグローバルモデルをトレーニングしようと試みている。 本稿では, 誘導正規化方式に依存するFedDGの新しいアーキテクチャ手法,すなわちgPerXANを紹介する。
  論文  参考訳（メタデータ） (2024-03-22T20:22:08Z)
• ERM++: An Improved Baseline for Domain Generalization [69.80606575323691]
  経験的リスク最小化(ERM)は、適切に調整された場合、最も複雑なドメイン一般化(DG)手法より優れている。 ERM++は以前のEMMベースラインと比較してDGのパフォーマンスを5%以上改善している。
  論文  参考訳（メタデータ） (2023-04-04T17:31:15Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)

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。