論文の概要: Signature-Based Feature Learning for Human Activity Recognition: A Reproducible Machine Learning Study of Representation, Depth, and Model Choice

• arxiv url: http://arxiv.org/abs/2610.06553v1
• Date: Mon, 05 Oct 2026 15:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:37:07.208498
• Title: Signature-Based Feature Learning for Human Activity Recognition: A Reproducible Machine Learning Study of Representation, Depth, and Model Choice
• Title（参考訳）: 人間の活動認識のための署名に基づく特徴学習--表現、深さ、モデル選択の再現可能な機械学習研究
• Abstract要約: シグナチャ変換は、時間的順序とチャネル間の相互作用を符号化する数学的に基底的な方法を提供する。 署名に基づく特徴学習が生信号ベースラインと比較してHARを改善するか否かを評価する。 埋め込み戦略、切り込み深さ、モデル選択、センサ構成の影響を評価する。
• 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) relies on transforming sensor signals into informative representations for classification. Although deep learning and handcrafted features are widely used, the role of representation itself is often not systematically isolated. Signature transforms provide a mathematically grounded way to encode temporal order and cross-channel interactions, but their value for HAR under a fully reproducible and leakage-aware framework remains unclear. To evaluate whether signature-based feature learning improves HAR performance compared with raw-signal baselines, and to assess the effects of embedding strategy, truncation depth, model choice, and sensor configuration. Experiments were conducted on the UCI HAR dataset using a fully reproducible pipeline with the original train--test split preserved and subject-disjoint validation to prevent leakage. Three representations were compared: raw flattened signals, time-augmented paths, and lead--lag transformed paths. Signature features were computed at multiple truncation depths and evaluated using multilayer perceptron (MLP) and Random Forest (RF) classifiers under identical preprocessing and validation procedures. A prior K-means-based feature reduction study was also reproduced for comparison. Signature-based representations improved performance when paired with RF models, the best configuration was time-augmented six-channel signatures at depth 6 using entropy-based RF achieving 0.858 accuracy and 0.859 macro F1, outperforming the strongest raw baseline (0.816 accuracy). Lead--lag representations were competitive at moderate depths but did not surpass the best time-augmented models. MLP models did not exceed raw baselines. Signature-based feature learning can improve HAR, but its benefit depends on alignment between representation design and classifier choice.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、センサ信号を分類のための情報表現に変換することに依存する。 ディープラーニングと手作りの特徴は広く使われているが、表現そのものの役割は体系的に孤立していないことが多い。 署名変換は時間的順序とチャネル間の相互作用を符号化する数学的基盤を提供するが、完全に再現可能でリーク対応のフレームワークの下でのHARの値はまだ不明である。 署名に基づく特徴学習が生信号ベースラインと比較してHAR性能を向上させるか否かを評価し、埋め込み戦略、切り込み深さ、モデル選択、センサ構成の影響を評価する。 UCI HARデータセット上で,完全再現可能なパイプラインを用いた実験を行った。 3つの表現を比較した: 生の平坦な信号、時間拡張された経路、鉛-ラグ変換パス。 多層パーセプトロン (MLP) とランダムフォレスト (RF) 分類器 (RF) を用いて, 同一のプリプロセッシングおよび検証手法を用いて, 信号特徴を複数トラクション深さで計算し, 評価した。 また, K-means による特徴量低減実験も行った。 署名ベース表現はRFモデルと組み合わせた際の性能を改善し、最も優れた構成はエントロピーベースRFの0.858精度と0.859マクロF1の6チャネルシグネチャを深さ6で時間拡張し、最強の原ベースライン(0.816精度)を上回った。 リードラグ表現は適度な深度で競争力があったが、最高の時間拡張モデルを超えなかった。 MLPモデルは原ベースラインを超えなかった。 署名に基づく特徴学習はHARを改善するが、その利点は表現設計と分類器の選択の整合性に依存する。

関連論文リスト

• A Prototypical Signature Approach for Writer-Independent Offline Signature Verification [6.396522606507045]
  オフラインシグネチャ検証は、静的イメージを使用して偽シグネチャと真のシグネチャを区別することを目的としている。 負のサンプルは通常、トレーニングデータを作成するために、他のユーザの真の署名からランダムに描画される。 原型シグネチャを用いた多種多様な情報的負のサンプルを生成するためのデータ駆動型戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-16T22:48:44Z)
• DIFF-ERO: A Conformance-Aware Loss for Deep Learning in Process Mining [8.304025820176394]
  本稿では,プロセスデータ上でのディープラーニングモデルに対する適合性を考慮した損失関数DIFF-EROを紹介する。 DIFF-EROは、トレーニング中に制御フロー情報を含むエントロピーベースの適合性の微分可能な定式化である。 構造がもっとも重要でありながら、他の場所での同等性を維持しながら、予測性能の向上を示す。
  論文  参考訳（メタデータ） (2026-06-12T09:06:05Z)
• Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification [14.279568423870572]
  本稿では、効率的なECG分類のための説明可能性に基づく信頼性訓練信号ERTSを紹介する。 ERTSは、情報的不確実性と信頼できない不確実性を区別するために、トレーニング中に説明品質を使用する。 3つのECGデータセットと複数のバックボーンアーキテクチャにまたがるERTSを評価し,有効トレーニングコストの削減とともにマクロF1の改善が一貫したことを示す。
  論文  参考訳（メタデータ） (2026-06-10T15:55:00Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• VoxelOpt: Voxel-Adaptive Message Passing for Discrete Optimization in Deformable Abdominal CT Registration [15.78340001680369]
  離散最適化に基づく変形可能な画像登録フレームワークであるVoxelOptを提案する。 学習ベースの長所と反復的手法を組み合わせて、登録精度と実行時のバランスを改善する。 腹部CTの登録では、これらの変更により、VoxelOptは、ラベルの監督によって訓練された最先端の学習ベースの手法と一致しながら、効率と正確性の両方において、リード反復性を上回っている。
  論文  参考訳（メタデータ） (2025-06-24T19:44:04Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。