論文の概要: Characterizing the Performance Gap in Human Activity Recognition for Older Adults

• arxiv url: http://arxiv.org/abs/2610.02711v1
• Date: Fri, 02 Oct 2026 02:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.171242
• Title: Characterizing the Performance Gap in Human Activity Recognition for Older Adults
• Title（参考訳）: 高齢者の行動認識におけるパフォーマンスギャップの特徴
• Abstract要約: 手首の加速度計による人間の活動認識(HAR)は、健康や行動追跡にますます利用されている。 ほとんどのウェアラブルHARモデルは、若年層が支配するデータセットに基づいて開発・評価されている。 ディープラーニングアーキテクチャとトレーニング体制を,Left-one-subject-out と Cross-dataset Transfer の両方で評価する。
• 参考スコア（独自算出の注目度）: 24.852584850730455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human activity recognition (HAR) from wrist-worn accelerometers is increasingly used for health and behavioral tracking. Yet, most wearable HAR models are developed and evaluated on datasets dominated by younger adults, leaving it unclear whether benchmark progress generalizes across age groups. In this work, we leverage MyMove, our carefully annotated, free-living older-adult HAR dataset (mean age 71), to evaluate deep-learning architectures and training regimes under both leave-one-subject-out and cross-dataset transfer. We find that improvements on younger-adult benchmarks fail to transfer equally to data collected from older adults, resulting in a persistent and often widening performance gap. However, richer representations, particularly frozen self-supervised features pretrained on the age-diverse UK Biobank dataset, substantially improve performance on data from older adults and consistently narrow the performance gap, at modest cost to younger-adult performance, though disparities remain. These findings suggest that benchmark gains and architectural scaling alone provide an incomplete picture of progress in wearable HAR, and broader advances may require representations that better capture population diversity, alongside personalized adaptation to individual movement patterns and routines.
• Abstract（参考訳）: 手首の加速度計による人間の活動認識(HAR)は、健康や行動追跡にますます利用されている。 しかし、ほとんどのウェアラブルHARモデルは、若年層が支配するデータセットに基づいて開発・評価されており、ベンチマークの進捗が年齢層全体にわたって一般化するかどうかは不明である。 この研究では、MyMoveという、注意深い注釈付きで、より長生きしたHARデータセット(平均年齢71歳)を活用して、ディープラーニングアーキテクチャとトレーニング体制を、Left-one-subject-outとクロスデータセットトランスファーの両方で評価します。 若年層のベンチマークの改善は、高齢者の収集したデータに等しく転送できないことが分かり、その結果、持続的かつしばしばパフォーマンスのギャップが広がることが判明した。 しかし、より豊かな表現、特に年齢差の英国バイオバンクデータセットで事前訓練された凍結自己監督機能、高齢者のデータのパフォーマンスを大幅に改善し、パフォーマンスギャップを緩やかに制限する。 これらの結果は、ベンチマークゲインとアーキテクチャのスケーリングだけでウェアラブルHARの進歩の完全な図が得られないことを示唆し、より広範な進歩には、個々の動きパターンやルーチンへのパーソナライズされた適応とともに、人口の多様性をよりよく捉えた表現が必要であることを示唆している。

関連論文リスト

• Understanding the Representation of Older Adults in Motion Capture Locomotion Datasets [3.671752320249146]
  この研究は41の公開データセットを調査し、古い成人の動作を含む8つのデータと、古いスタイルに注釈付けされた若い俳優による動作を含む4つのデータを同定した。 従来の歩行動作の忠実度を評価するために,年齢差を捉える能力として高忠実度を定義する定量的指標を導入した。 年齢に敏感で、騒音に強い、データ不足に耐性のある歩行パラメータを用いて、古いスタイルの歩行動作が過度に制御されたパターンを示し、高齢化を忠実に特徴づけることができないことを発見した。
  論文  参考訳（メタデータ） (2025-11-12T18:04:13Z)
• Bridging the gap in FER: addressing age bias in deep learning [0.562479170374811]
  深部FERモデルにおける年齢関連バイアスについて検討し,特に高齢者に焦点をあてた。 説明可能なAI(XAI)技術を用いて,表現認識と注意パターンの系統的差異を同定する。 その結果,高齢者の認識精度は一貫した改善が見られた。
  論文  参考訳（メタデータ） (2025-07-10T11:07:13Z)
• From Age Estimation to Age-Invariant Face Recognition: Generalized Age Feature Extraction Using Order-Enhanced Contrastive Learning [23.817867981093382]
  一般的な年齢特徴抽出は、年齢に関連する顔分析タスクに不可欠である。 年齢などの順序属性を明示的に用いた新しいコントラスト学習フレームワークを提案する。 提案手法は,様々なベンチマークデータセット上での最先端手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2025-01-03T11:23:52Z)
• Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• A Demographic Attribute Guided Approach to Age Estimation [4.215251065887862]
  本研究は,顔属性の補助情報を活用し,属性誘導モジュールを用いた新しい年齢推定手法を提案する。 UTKFace, LAP2016, Morphの3つの公開データセットによる実験結果から, 提案手法は, 他の最先端手法と比較して優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2022-05-20T15:34:47Z)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)

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。