論文の概要: Toward Personalized Sleep Guidance from Wearable Data Using Language Models

• arxiv url: http://arxiv.org/abs/2609.22463v1
• Date: Fri, 18 Sep 2026 18:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.406718
• Title: Toward Personalized Sleep Guidance from Wearable Data Using Language Models
• Title（参考訳）: 言語モデルを用いたウェアラブルデータからのパーソナライズされた睡眠誘導に向けて
• Abstract要約: ウェアラブルデータを用いた睡眠モニタリングは、個人の健康を約束するが、大きな言語モデル(LLM)に基づく要約と質問応答は、パーソナライズされた睡眠指導には不十分である。 本稿では,これらの課題に対処するための2段階のフレームワークを提案する。特にStage1では,無注釈のウェアラブルレコードからスリープガイダンスを構造化し,スケーラブルなデータセット構築を可能にしたマルチエージェントLLMパイプラインについて述べる。 ステージ2では、教師付き微調整を通じて小言語モデル(SLM)への推論の誘導を蒸留し、推論を強化するための訓練不要のBest-of-N$選択戦略を統合する。
• 参考スコア（独自算出の注目度）: 33.294950480761536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep monitoring using wearable data has shown promise for personal health, yet large language model (LLM)-based summarization and question answering remain insufficient for personalized sleep guidance. Training specialized models, however, often requires costly expert annotation. Moreover, privacy and accessibility concerns motivate lightweight, local deployment for end users. We present a two-stage framework to address these challenges. Specifically, in Stage~1, a multi-agent LLM pipeline reasons structured sleep guidance from unannotated wearable records, enabling scalable dataset construction. Stage~2 distills guidance reasoning trajectories into small language models (SLMs) through supervised fine-tuning and integrates a training-free Best-of-$N$ selection strategy to enhance inference. Experimental results demonstrate our method outperforms commercial general and medical LLMs and open-source models. Human evaluation further supports the quality of the generated guidance and the feasibility of personalized sleep guidance with SLMs.
• Abstract（参考訳）: ウェアラブルデータを用いた睡眠モニタリングは、個人の健康を約束するが、大きな言語モデル(LLM)に基づく要約と質問応答は、パーソナライズされた睡眠指導には不十分である。 しかし、専門的なモデルを訓練するには、しばしば高価な専門家のアノテーションが必要である。 さらに、プライバシーとアクセシビリティに関する懸念は、エンドユーザのための軽量でローカルなデプロイメントを動機付けます。 これらの課題に対処するための2段階のフレームワークを提示する。 具体的には、Stage~1では、マルチエージェントのLLMパイプラインが、注釈のないウェアラブルレコードから構造化されたスリープガイダンスを理由として、スケーラブルなデータセット構築を可能にしている。 Stage~2は、教師付き微調整を通じて、小言語モデル(SLM)への推論の誘導を蒸留し、推論を強化するための訓練不要のBest-of-N$選択戦略を統合する。 実験により,本手法は商用LLMやオープンソースモデルよりも優れていることが示された。 人的評価は、生成したガイダンスの品質と、SLMによるパーソナライズされた睡眠指導の実現性をさらに支援する。

関連論文リスト

• Can Frontier LLMs Replace Annotators in Biomedical Text Mining? Analyzing Challenges and Exploring Solutions [0.0]
  バイオメディカルテキストマイニングにおけるLCMの最適性能について, これまでに複数の研究が報告されている。 これらの評価において, 故障パターンを解析することにより, バイオメディカルコーパスにおけるLCMの3つの主な課題を明らかにした。 以上の結果から,SOTA BERT モデルの性能はフロンティア LLM に近づいたり,超えたりできることが示された。
  論文  参考訳（メタデータ） (2025-03-05T08:37:10Z)
• Large Language Models Struggle to Describe the Haystack without Human Help: Human-in-the-loop Evaluation of Topic Models [41.08246070544371]
  本研究では,教師なし,教師なしの大規模言語モデルを用いて,ユーザが獲得する知識を計測する。 LLMは人間の助けなしに大規模なコーパスの干ばつ、特にドメイン固有のデータを記述するのに苦労している。
  論文  参考訳（メタデータ） (2025-02-20T17:19:41Z)
• SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
  大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。 学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。 ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
  論文  参考訳（メタデータ） (2024-07-16T04:41:58Z)
• Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models [52.98743860365194]
  本稿では,SPIN(Self-Play fIne-tuNing)と呼ばれるファインチューニング手法を提案する。 SPINの中心には自己再生機構があり、LLMは自身のインスタンスと対戦することでその能力を洗練させる。 このことは、自己プレイの約束に光を当て、熟練した相手を必要とせずに、LSMにおける人間レベルのパフォーマンスの達成を可能にする。
  論文  参考訳（メタデータ） (2024-01-02T18:53:13Z)
• CoAnnotating: Uncertainty-Guided Work Allocation between Human and Large Language Models for Data Annotation [94.59630161324013]
  本稿では,非構造化テキストの大規模共同アノテーションのための新しいパラダイムであるCoAnnotatingを提案する。 我々の実証研究は、CoAnnotatingが、異なるデータセット上の結果から作業を割り当てる効果的な手段であることを示し、ランダムベースラインよりも最大21%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-10-24T08:56:49Z)

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。