論文の概要: You Don't Need To Train: Agentic Heuristic Learning Studio for Executable Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2609.16065v1
• Date: Sun, 13 Sep 2026 11:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.121303
• Title: You Don't Need To Train: Agentic Heuristic Learning Studio for Executable Human Activity Recognition
• Title（参考訳）: 訓練不要:人間活動認識のためのエージェントヒューリスティック学習スタジオ
• Abstract要約: Agentic Heuristic Learning Studio (AHL) Studioは、人間の認知学習にインスパイアされた補完的な視点を探求する。 AHLは、センサプロトコルに対する学習時間エージェントの推論を実装し、実行可能なポリシーを提案し、修復トレースを記録し、エッジデプロイメントのためのLLMフリーポリシーをエクスポートする。 我々は,HARベンチマークファミリに注目し,データセットの観察からエッジ指向エクスポートまで,エンドツーエンドのワークフローを提供する。
• 参考スコア（独自算出の注目度）: 20.53397935261393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human activity recognition (HAR) is usually framed as gradient-based training of neural networks. Agentic Heuristic Learning (AHL) Studio explores a complementary view inspired by human cognitive learning: people learn activities by remembering examples, forming rules, and repairing mistakes, not by backpropagating. This proposed tool implements AHL for HAR: a learning-time agent reasons over sensor protocols, proposes executable heuristic policies, records repair traces, and exports an LLM-free policy for edge deployment. We focus on the HAR benchmark family and provide an end-to-end workflow from dataset observation to edge-oriented export. On eleven HAR datasets evaluated so far, AHL policies reach strong executable-policy performance while remaining inspectable, editable, and replayable \footnote{https://github.com/zhaxidele/ahl-ts-studio}.
• Abstract（参考訳）: 人間の活動認識(HAR)は通常、ニューラルネットワークの勾配に基づくトレーニングとしてフレーム化される。 エージェント・ヒューリスティック・ラーニング(AHL)スタジオは、人間の認知学習にインスパイアされた補完的な視点を探求している。 センサプロトコルに対する学習時間エージェントであるAHL for HARを実装し、実行可能なヒューリスティックポリシを提案し、修復トレースを記録し、エッジデプロイメントのためのLLMフリーポリシをエクスポートする。 我々は,HARベンチマークファミリに注目し,データセットの観察からエッジ指向エクスポートまで,エンドツーエンドのワークフローを提供する。 これまでに評価された11のHARデータセットでは、AHLポリシは、検査可能で、編集可能で、再生可能な \footnote{https://github.com/zhaxidele/ahl-ts-studio} を保ちながら、実行可能なパフォーマンスに到達している。

関連論文リスト

• RAG-HAR+: Towards Cost-Efficient LLM-Based Human Activity Recognition for Edge Deployment [5.089700375729287]
  ウェアラブルセンサーからのヒューマンアクティビティ認識(HAR)は、医療、リハビリテーション、フィットネストラッキング、スマート環境のアプリケーションをサポートする。 既存のディープラーニングアプローチでは、データセット固有のトレーニング、大きなラベル付きコーパス、新しいセンサー設定やアクティビティへの繰り返し適応が必要になります。 Retrieval-Augmented Generation for Human Activity Recognition (RAG-HAR)は、HARをトレーニング不要の検索強化タスクとしてフレーミングすることでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-07-29T08:57:03Z)
• From RLVR to RLSVR: Task Transformation Induces Self-Verifiable Rewards for Open-Ended LLM Self-Improvement [56.26277769790695]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、推論指向の大規模言語モデル(LLM)の最近の進歩を推進している。 本稿では、RLVRをオープンなタスクに拡張するためのタスク変換に基づくトレーニングパラダイムであるRLSVR(Reinforcement Learning with Self-Verifiable Rewards)を提案する。 ソーシャルデダクションゲームにインスパイアされた自己PlaY強化学習手法SpyRLでRTSVRをインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-26T19:04:33Z)
• Retrieval is Enough: Training-Free Interpretability with a Tool-Using Agent [56.93673666934672]
  トレーニングベースのメソッドは、トレーニング中に大きなアクティベーションデータセットを活用するため、一般的にはより強力である。 これは自然な疑問を引き起こします – トレーニングデータセット自体から回復可能なもの以上の洞察を実際に提示するのでしょうか? LLMエージェントに、アクティベーションを操作するツールとともに、テキストコンテキストと組み合わせたアクティベーションのベクトルデータベースを装備する。 エージェントはデータベースを反復的にクエリし、検索したサンプルから仮説を作成し、線形プローブを構築して検証する。
  論文  参考訳（メタデータ） (2026-07-17T18:47:31Z)
• Features as Rewards: Scalable Supervision for Open-Ended Tasks via Interpretability [16.060632221887133]
  オープンエンドタスクのスケーラブルな監視機能としての機能。 本稿では,オープンエンドタスク学習における解釈可能性の利用に関する新しいパラダイムを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T18:33:45Z)
• RAG-HAR: Retrieval Augmented Generation-based Human Activity Recognition [5.089700375729287]
  大規模言語モデル(LLMs)を利用したHAR(Human Activity Recognition)のためのトレーニング不要検索拡張フレームワークであるRAG-HARを紹介する。 RAG-HARは軽量な統計記述子を計算し、ベクトルデータベースから意味論的に類似したサンプルを検索し、この文脈的エビデンスを用いてLCMに基づく行動識別を行う。
  論文  参考訳（メタデータ） (2025-12-06T01:53:02Z)
• Exploring RL-based LLM Training for Formal Language Tasks with Programmed Rewards [49.7719149179179]
  本稿では,PPOを用いた強化学習(RL)の実現可能性について検討する。 我々は,生成した出力の質を自動的に評価するために,明示的な報酬関数をプログラムできるプログラミングなどの形式言語で表されるタスクに焦点をあてる。 以上の結果から,2つの形式言語タスクに対する純粋なRLベースのトレーニングは困難であり,単純な算術タスクにおいても成功は限られていることがわかった。
  論文  参考訳（メタデータ） (2024-10-22T15:59:58Z)
• DMC-VB: A Benchmark for Representation Learning for Control with Visual Distractors [13.700885996266457]
  行動クローニングやオフライン強化学習(RL)を通じて収集されたデータから学習することは、ジェネラリストエージェントをスケールするための強力なレシピである。 オフラインRLエージェントの堅牢性を評価するため,DeepMind Control Visual Benchmark (DMC-VB) をDeepMind Control Suiteで収集した。 そこで,本研究では,事前学習のための表現学習手法を評価するための3つのベンチマークを提案し,最近提案したいくつかの手法の実験を行った。
  論文  参考訳（メタデータ） (2024-09-26T23:07:01Z)
• COOLer: Class-Incremental Learning for Appearance-Based Multiple Object Tracking [32.47215340215641]
  本稿では,連続学習研究の範囲を,複数物体追跡(MOT)のためのクラス増分学習に拡張する。 オブジェクト検出器の連続学習のための従来のソリューションは、外見に基づくトラッカーのデータ関連ステージには対応していない。 我々は,Contrastive- and cOntinual-LearningベースのトラッカーであるCOOLerを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T17:49:48Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
  我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。 我々のアプローチは、意図をモデル化することで受動的データから学習する。 実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
  論文  参考訳（メタデータ） (2023-04-10T17:59:05Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)

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。