論文の概要: SenseAgent: An LLM Agent for Adaptive Cross-Domain IMU Sensing

• arxiv url: http://arxiv.org/abs/2609.32000v1
• Date: Fri, 25 Sep 2026 21:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:54:32.759653
• Title: SenseAgent: An LLM Agent for Adaptive Cross-Domain IMU Sensing
• Title（参考訳）: SenseAgent: 適応型クロスドメインIMUセンシングのためのLLMエージェント
• Abstract要約: SenseAgentは、ドメイン間IMU活性認識のためのLLM誘導センシング剤である。 ターゲットストリームからラベルのない診断レポートを構築し、生の推論を維持するか、専門ツールを呼び出すかを決定するためにそれを使用する。 我々は、複数のIMUデータセットとデプロイメントシフトでSenseAgentを評価した。
• 参考スコア（独自算出の注目度）: 17.442551289541452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has improved inertial measurement unit (IMU) sensing for mobile and wearable applications. However, an IMU model trained in one domain often becomes unreliable when it is used with a new user, device, or body position. Existing methods usually treat this problem as a static model-design task: they pretrain a stronger representation, add data augmentation, or select one adaptation method before deployment. In practice, the target domain is only gradually observed, labels are scarce, and different domain shifts require different sensing actions. This paper presents SenseAgent, an LLM-guided sensing agent for cross-domain IMU activity recognition. Instead of asking an LLM to classify raw IMU signals, SenseAgent uses the LLM as a runtime planner over sensing tools, source-domain experience memory, online target memory, and verifiers. The agent builds a label-free diagnosis report from the target stream and uses it to decide whether to keep raw inference or invoke specialized tools, including gravity-aware sensing, prototype transfer, and style normalization. Verifiers check source calibration, target-memory reliability, and no-harm criteria before accepting high-risk tool decisions. SenseAgent also supports scarce feedback without retraining the backbone or replacing the label-free route. This design converts cross-domain IMU sensing from a fixed inference pipeline into a closed-loop sensing process that diagnoses target shifts, selects suitable sensing actions, and rejects unsafe adaptations. We evaluate SenseAgent across multiple IMU datasets and deployment shifts. Results show that its verified route selection improves cross-domain sensing, especially under harder placement and compound shifts, and further benefits from limited user feedback.
• Abstract（参考訳）: ディープラーニングは、モバイルおよびウェアラブルアプリケーションのための慣性計測ユニット(IMU)センシングを改善した。 しかし、あるドメインでトレーニングされたIMUモデルは、新しいユーザ、デバイス、またはボディ位置で使用されると、しばしば信頼性が低下する。 既存のメソッドは通常、この問題を静的なモデル設計タスクとして扱う。 実際には、ターゲットドメインは徐々に観察されるだけであり、ラベルは乏しく、異なるドメインシフトは異なる知覚アクションを必要とする。 クロスドメインIMUアクティビティ認識のためのLLM誘導センシングエージェントであるSenseAgentについて述べる。 LLMに生のIMU信号の分類を求める代わりに、SenseAgentはLLMを、センシングツール、ソースドメインエクスペリエンスメモリ、オンラインターゲットメモリ、バリデーションのランタイムプランナとして使用する。 ターゲットストリームからラベルフリー診断レポートを構築し、生の推論を維持するか、重力認識、プロトタイプ転送、スタイル正規化を含む特殊なツールを呼び出すかを決定する。 検証者は、リスクの高いツール決定を受け入れる前に、ソースの校正、ターゲットメモリの信頼性、非ハーム基準をチェックする。 SenseAgentはまた、バックボーンを再トレーニングしたり、ラベルのないルートを置き換えることなく、少ないフィードバックをサポートする。 この設計は、固定推論パイプラインからのクロスドメインIMUセンシングを、ターゲットシフトを診断し、適切なセンシングアクションを選択し、安全でない適応を拒否するクローズドループセンシングプロセスに変換する。 我々は、複数のIMUデータセットとデプロイメントシフトでSenseAgentを評価した。 評価された経路選択は、特に難しい配置や複合シフト下でのクロスドメインセンシングを改善し、ユーザフィードバックの制限によるさらなるメリットが示される。

関連論文リスト

• CSI-Agent: LLM-Assisted Few-Shot Adaptation for Cross-Domain Wi-Fi CSI Sensing [17.442551289541452]
  Wi-Fiチャネル状態情報(CSI)は、人間の活動認識などのデバイスフリーなセンシングアプリケーションを可能にする。 CSI-Agentは,クロスドメインなCSI適応を展開時間決定問題として再構成する,エビデンス探索型LCMエージェントである。
  論文  参考訳（メタデータ） (2026-09-25T20:51:27Z)
• Online Change-point Detection for Cooperative Multi-Agent Reinforcement Learning [0.0]
  本稿では,報奨信号を用いた協調型MARLのオンライン変更点検出について検討する。 エージェントの戻りストリームをスムースにし、最近の変化を強調し、統計的ドリフト検出器を用いて重要なシフトを通知する軽量なアルゴリズムに依存しない検出器を提案する。
  論文  参考訳（メタデータ） (2026-09-04T15:49:42Z)
• RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
  エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。 RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。 RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
  論文  参考訳（メタデータ） (2025-12-30T06:50:11Z)
• Style-Adaptive Detection Transformer for Single-Source Domain Generalized Object Detection [7.768332621617199]
  単一ソースドメインの一般化は、未確認のターゲットドメインによく一般化するソースドメインデータのみを使用して検出器を開発することを目的としている。 既存の手法は主にCNNベースで、データ拡張と機能アライメントを組み合わせることで堅牢性を向上させる。 単一ソース領域の一般化に適したDTRベースの検出器であるStyle-Adaptive Detection TRansformer (SA-DETR)を提案する。
  論文  参考訳（メタデータ） (2025-04-29T07:38:37Z)
• MutDet: Mutually Optimizing Pre-training for Remote Sensing Object Detection [36.478530086163744]
  本研究では,MutDetと呼ばれるリモートセンシングオブジェクト検出のための,Mutally最適化事前学習フレームワークを提案する。 MutDetはオブジェクトの埋め込みを融合し、検出器は最後のエンコーダ層に双方向に機能し、情報インタラクションを強化する。 様々な環境での実験は、新しい最先端の転送性能を示している。
  論文  参考訳（メタデータ） (2024-07-13T15:28:15Z)
• Exploiting Instance-based Mixed Sampling via Auxiliary Source Domain Supervision for Domain-adaptive Action Detection [75.38704117155909]
  本稿では,新しいドメイン適応型行動検出手法と新しい適応プロトコルを提案する。 クロスドメイン混合サンプリングと組み合わせた自己学習は、UDAコンテキストにおいて顕著なパフォーマンス向上を示した。 我々は提案したフレームワークをドメイン適応アクション・インスタンス・ミックス(DA-AIM)と呼ぶ。
  論文  参考訳（メタデータ） (2022-09-28T22:03:25Z)
• ProxyMix: Proxy-based Mixup Training with Label Refinery for Source-Free Domain Adaptation [73.14508297140652]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。 Proxy-based Mixup training with label refinery (ProxyMix)を提案する。 3つの2D画像と1つの3Dポイントクラウドオブジェクト認識ベンチマークの実験は、ProxyMixがソースフリーなUDAタスクに最先端のパフォーマンスをもたらすことを示した。
  論文  参考訳（メタデータ） (2022-05-29T03:45:00Z)
• Towards Online Domain Adaptive Object Detection [79.89082006155135]
  既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。 オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:47:22Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)

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。