論文の概要: Diffusion-Based Synthetic Data Pretraining for Enhancing Activity Recognition

• arxiv url: http://arxiv.org/abs/2610.02292v1
• Date: Thu, 01 Oct 2026 16:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.029488
• Title: Diffusion-Based Synthetic Data Pretraining for Enhancing Activity Recognition
• Title（参考訳）: 拡散に基づく行動認識のための合成データの事前学習
• Abstract要約: この作業は、双方向GRU層、マルチヘッドアテンション、残余接続を備えた畳み込みアーキテクチャであるCABiGRUの上に構築されている。 合成データにCABiGRUを事前学習し、次いで実世界のデータを微調整する2段階のトレーニング戦略を採用する。 DEO(Drinking/Eating/ other)データセットでは、提案されたパイプラインが90.6%のバランスの取れた精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activity recognition (HAR) is increasingly important for healthcare, well-being, and daily monitoring ap- plications, for which detecting alimentary activities such as eating and drinking can provide actionable insight into dietary habits and chronic disease management. HAR systems, however, often underperform on subtle and underrepresented classes, limiting their utility in real-world dietary monitoring. This work builds upon CABiGRU, a convolutional architecture with Bidirectional GRU layers, multi-head attention, and residual connections, designed to capture discriminative temporal patterns from smart- watch accelerometer, gyroscope, and magnetometer data. To improve CaBiGRU's generalization and reduce underfitting in the minority class, we leverage synthetic sensor data windows using a diffusion model and adopt a two-stage training strategy: pre-training CABiGRU on synthetic data, followed by fine-tuning on the real-world data. On the DEO (drinking/eating/other) dataset, the proposed pipeline achieves a balanced accuracy of 90.6%, improving over a strong supervised baseline and showing the benefits of diffusion-based synthetic pre-training for recognizing alimentary activities and representing a step forward dealing with unbalanced classes. These results suggest that combining diffusion-generated data with targeted fine-tuning enhances robust recognition of dietary behaviors, supporting more reliable deployment in healthcare and nutrition-monitoring settings.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、食事や飲酒などの脂肪活動を検出する医療、幸福、および日々の監視におけるap-plicationsにおいて、食事習慣や慢性疾患管理に関する実用的な洞察を提供するためにますます重要になっている。 しかし、HARシステムは微妙で表現力の低いクラスでは性能が劣り、実際の食事監視においてその実用性は制限される。 この研究は、双方向GRU層、マルチヘッドアテンション、および残留接続を備えた畳み込みアーキテクチャであるCABiGRUの上に構築され、スマートウォッチ加速度計、ジャイロスコープ、磁気センサデータから識別的時間パターンをキャプチャするように設計されている。 CaBiGRUの一般化とマイノリティクラスにおける不適合の低減のために、拡散モデルを用いて合成センサデータウインドウを活用し、合成データ上でCABiGRUを事前学習し、実世界のデータを微調整する2段階のトレーニング戦略を採用する。 DEOデータセットにおいて,提案したパイプラインは90.6%のバランスの取れた精度を達成し,強い教師付きベースラインよりも向上し,分散ベースの合成事前学習の利点を示そうとする。 これらの結果は, 拡散生成データと微調整を組み合わせることで, 食事行動の堅牢な認識が促進され, 医療および栄養モニタリング環境へのより信頼性の高い展開が可能であることを示唆している。

関連論文リスト

• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• Weighting What Matters: Boosting Sample Efficiency in Medical Report Generation via Token Reweighting [63.45467968400172]
  本研究は、データ効率を向上させるために重み付き損失関数を用いることを評価する。 眼科報告生成実験において,本手法は複数のデータスケールでの効率向上を図っている。
  論文  参考訳（メタデータ） (2026-04-22T20:51:17Z)
• Skeleton-Based Intake Gesture Detection With Spatial-Temporal Graph Convolutional Networks [1.5228527154365612]
  本研究では,拡張時空間グラフ畳み込みネットワーク (ST-GCN) と双方向長短メモリ (BiLSTM) を組み合わせ,インテークジェスチャーを検出するモデルを用いたスケルトンベースのアプローチを提案する。 その結果,スケルトンデータを用いた摂取ジェスチャー検出の実現可能性を確認し,クロスデータセット検証における提案手法の堅牢性を強調した。
  論文  参考訳（メタデータ） (2025-04-14T18:35:32Z)
• Enhancing Activity Recognition After Stroke: Generative Adversarial Networks for Kinematic Data Augmentation [0.0]
  脳卒中リハビリテーションにおけるウェアラブルモニタリングのための機械学習モデルの一般化可能性はしばしば、利用可能なデータの限られたスケールと不均一性によって制限される。 データ拡張は、トレーニングセットに表される変動性を強化するために、実際のデータに計算的に導出されたデータを追加することで、この課題に対処する。 本研究では、CGAN(Conditional Generative Adversarial Networks)を用いて、公開データセットから合成キネマティックデータを生成する。 合成データと実験データの両方でディープラーニングモデルを訓練することにより、タスク分類精度を向上させる:実データのみを訓練したモデルでは66.1%よりもはるかに高い80.0%の精度で合成データを組み込んだモデル。
  論文  参考訳（メタデータ） (2024-06-12T15:51:00Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)
• LATTE: Label-efficient Incident Phenotyping from Longitudinal Electronic Health Records [11.408950540503112]
  本稿では, LAbel-efficienT incidenT phEnotypingアルゴリズムを提案する。 LATTEは2型糖尿病の発症、心不全、多発性硬化症の発症と再発の3つの分析に基づいて評価された。
  論文  参考訳（メタデータ） (2023-05-19T03:28:51Z)
• cGAN-Based High Dimensional IMU Sensor Data Generation for Enhanced Human Activity Recognition in Therapeutic Activities [0.0]
  TheraGANと呼ばれる新しいGANネットワークは、リハビリテーション活動に関連するIMU信号を生成するために開発された。 生成された信号は実際の信号と密に模倣され、生成されたデータが追加され、テストされた全てのネットワークの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-02-16T00:08:28Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Learning Generalizable Physiological Representations from Large-scale Wearable Data [12.863826659440026]
  意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。 その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。 本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T17:56:03Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。