論文の概要: Skill Profiling with Attributable Reasoning (SPAR): A Wearable Analysis System for Boxing
- arxiv url: http://arxiv.org/abs/2609.30753v1
- Date: Fri, 25 Sep 2026 03:28:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.217257
- Title: Skill Profiling with Attributable Reasoning (SPAR): A Wearable Analysis System for Boxing
- Title（参考訳）: Atributable Reasoning (SPAR): ボクシングのためのウェアラブル分析システム
- Abstract要約: パンチ(英: punch)とは、足からトランクから腕まで走る運動鎖によって駆動される、弾道的で全身的なアクションである。
ほとんどのデプロイ可能なシステムは、どのパンチが投げられたかのみを分類する。
本稿では8IMUの衣服と圧力インソールシステムであるSPAR(Skill Profiling with Attributable Reasoning)について,各パンチを専門家または初心者に分類する。
- 参考スコア（独自算出の注目度）: 3.773153811711916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A punch is a ballistic, full-body action driven by a kinetic chain running from the legs through the trunk to the arm, where a small sequencing error separates a scoring strike from a miss. Wearable sensors can capture this movement in the gym, but most deployable systems only classify which punch was thrown rather than assess how well it was thrown. We present Skill Profiling with Attributable Reasoning (SPAR), an eight-IMU garment and pressure-insole system that classifies each punch as expert or novice and treats an explanation of that prediction as feedback. Feedback is only useful if the person receiving it can act on it, so SPAR explains the prediction at three tiers, a per-joint attribution for the analyst, a counterfactual over kinetic-chain layers for the coach, and a plain-language narrative of the two for the athlete. Across 17 participants and 4,713 punches, SPAR reaches a leave-one-participant-out AUC of 0.842 (95% CI [0.769, 0.907] over participants). A frozen time-series foundation model encodes the joint-angle and plantar-force series, and a small transformer trained on the cohort classifies the encoding. We audit the two quantitative tiers and report six themes from a thematic analysis of interviews with six practicing boxing coaches.
- Abstract（参考訳）: パンチ(英: punch)は、足からトランクから腕まで走る運動鎖によって駆動される弾道的なフルボディアクションであり、小さなシークエンシングエラーによってミスからスコアストライクが分離される。
ウェアラブルセンサーはジムでこの動きを捉えることができるが、ほとんどのデプロイ可能なシステムは、どのパンチが投げられたかを分類するだけだ。
本稿では,SPAR(Skill Profiling with Attributable Reasoning)を提案する。これは8IMUの衣服と圧力インソールシステムで,各パンチを専門家または初心者として分類し,その予測の説明をフィードバックとして扱う。
フィードバックは、それを受け取った人が行動できる場合にのみ有効であるので、SPARは3つの階層での予測、アナリストの1人当たりの属性、コーチの運動鎖層に対する反事実、そしてアスリートの2人の平凡な物語を説明します。
17人の参加者と4,713回のパンチで、SPARは0.842(95% CI [0.769, 0.907])の1回のAUCに到達した。
凍結した時系列基礎モデルは関節角およびプランタフォース列を符号化し、コホートで訓練された小さな変換器は符号化を分類する。
我々は,2つの量的階層を監査し,練習ボクシングのコーチ6人とのインタビューのテーマ分析から6つのテーマを報告する。
関連論文リスト
- Training-Free Hold-Usage Detection in Sport Climbing with Foundation Pose Models [0.981328290471248]
凍結したオフザシェルフポーズ基礎モデルで十分であることを示す。
登山訓練なしでホールドの使用を検知する。
論文 参考訳（メタデータ） (2026-09-24T16:00:51Z) - CoER: Defending against Adaptive Indirect Prompt Injection via Adversarial Co-Evolution and Refinement [19.128257554975104]
言語モデルエージェントは、ツール使用中に間接的プロンプトインジェクション(IPI)に対して脆弱である。
検証器を用いた共進化・改良フレームワークであるCoERを提案する。
主要な7ドメイン評価では、CoERは全体的な攻撃成功を38.5%から0.2%に削減した。
論文 参考訳（メタデータ） (2026-09-07T14:09:11Z) - A Reproducible, License-Aware Distillation Recipe for CPUDeployable Safety Classification [0.0]
現在のオープンガードモデルは10億から90億のパラメータを保持し、グラフィック処理ユニットに向けられ、中央処理ユニットでリクエスト毎に秒単位で答えられる。
本稿では,その制約に対処するライセンス対応の知識蒸留レシピを提案する。
強力なオープンガードは、24のパブリックデータセットから抽出された約97,000のプロンプトのコーパスを、公共のハザード分類に合わせた7つの安全カテゴリにラベル付けしている。
語彙、浅いエンコーダ、生成アーキテクチャにまたがる小さな学生の群れが、その信号を再現するために訓練されている。
すべてのモデルは、4つのスライスに6,361行の独立したゴールドのベンチマークに対してスコアされ、ラベルは別としてラベル付けされる。
論文 参考訳（メタデータ） (2026-08-21T19:19:12Z) - TRACE: Trajectory Aware Reasoning for Multi-Turn Adversarial Conversation Evaluation [19.39203198049072]
軌道認識型構造化推論を用いたマルチターンディフェンスであるTraceを導入する。
操作キューを軌跡から識別し、ユーザ意図の良識と敵意の両方の解釈を評価し、ジェイルブレイクスコアを割り当て、アクションにコミットする。
平均攻撃成功率(ASR)は14.5%、最強のベースラインは31.4%、未防御のターゲットは74.9%である。
論文 参考訳（メタデータ） (2026-08-16T07:32:02Z) - Nürnberg NLP at PsyDefDetect: Multi-Axis Voter Ensembles for Psychological Defence Mechanism Classification [0.0]
PsyDefDetectでは8つの正の防衛カテゴリーが表面言語を共有しており、実用的機能だけが異なる。
この知見を3つの軸にまたがる9声のアンサンブルに変換する。
システムは隠れたテストセットで$Ftest=.420$に達し、21の登録チームの中で第1位となる。
論文 参考訳（メタデータ） (2026-05-08T11:32:31Z) - Measuring Equality in Machine Learning Security Defenses: A Case Study
in Speech Recognition [56.69875958980474]
この研究は、学習したシステムを守るためのアプローチと、異なるサブ人口間でのセキュリティ防衛がパフォーマンス上の不平等をもたらす方法を検討する。
提案された多くの手法は、虚偽の拒絶やロバストネストレーニングの不平等といった直接的な害を引き起こす可能性がある。
本稿では, ランダム化スムースメントとニューラルリジェクションの2つの防御法の比較を行い, マイノリティ集団のサンプリング機構により, ランダム化スムースメントがより公平であることを見出した。
論文 参考訳（メタデータ） (2023-02-17T16:19:26Z) - Towards A Conceptually Simple Defensive Approach for Few-shot
classifiers Against Adversarial Support Samples [107.38834819682315]
本研究は,数発の分類器を敵攻撃から守るための概念的簡便なアプローチについて検討する。
本稿では,自己相似性とフィルタリングの概念を用いた簡易な攻撃非依存検出法を提案する。
ミニイメージネット(MI)とCUBデータセットの攻撃検出性能は良好である。
論文 参考訳（メタデータ） (2021-10-24T05:46:03Z) - Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning [95.60856995067083]
この研究は、特定の攻撃アルゴリズムを知らずにASVの敵防衛を行う最初の試みの一つである。
本研究の目的は,1) 対向摂動浄化と2) 対向摂動検出の2つの視点から対向防御を行うことである。
実験の結果, 検出モジュールは, 約80%の精度で対向検体を検出することにより, ASVを効果的に遮蔽することがわかった。
論文 参考訳（メタデータ） (2021-06-01T07:10:54Z) - Adversarial Example Games [51.92698856933169]
Adrial Example Games (AEG) は、敵の例の製作をモデル化するフレームワークである。
AEGは、ある仮説クラスからジェネレータとアバーサを反対に訓練することで、敵の例を設計する新しい方法を提供する。
MNIST と CIFAR-10 データセットに対する AEG の有効性を示す。
論文 参考訳（メタデータ） (2020-07-01T19:47:23Z) - Defensive Few-shot Learning [77.82113573388133]
本稿では,防御的数発学習という新たな課題について検討する。
敵の攻撃に対して頑丈な数発のモデルを学習することを目的としている。
提案したフレームワークは、既存の数発のモデルを敵攻撃に対して効果的に堅牢にすることができる。
論文 参考訳（メタデータ） (2019-11-16T05:57:16Z)
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。