論文の概要: REFIT: Recognize, Fix, and Test Wearable Sensor Placement Shifts without Labels

• arxiv url: http://arxiv.org/abs/2610.08991v1
• Date: Tue, 06 Oct 2026 18:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.56076
• Title: REFIT: Recognize, Fix, and Test Wearable Sensor Placement Shifts without Labels
• Title（参考訳）: REFIT:ラベルなしのウェアラブルセンサー配置シフトの認識、修正、テスト
• Abstract要約: 凍結した活動認識モデルのための入力キャリブレーションであるREFITを提案する。 ユーザーが時計を他の手首に移動させたり、ストラップセンサーをオンにすると、モデルが変化した軸に同じ動きを見せる。 ReFITはラベルやリトレーニングなしでそのようなシフトを解除する。
• 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: We present REFIT, an input calibration for frozen activity-recognition models whose inertial sensors are worn differently at deployment than in training. When users move a watch to the other wrist or put a strap sensor back on turned, the model sees the same motion on changed axes. REFIT undoes such shifts without labels or retraining. It describes them by families of axis transforms, such as reflections and rotations, and fits each family to the user's data so that simple statistics match those of the training data. The family that removes most of the mismatch names the shift. REFIT fixes the shift by applying the best member of that family before the frozen model and re-estimating its normalization statistics. It tests the fixed model with a label-free accuracy estimate and asks the user to re-wear the sensor when it is low. Experiments on real left/right sensor pairs and on real and simulated re-attachment show that REFIT outperforms label-free test-time adaptation methods on every dataset and restores most of the accuracy lost to re-attachment. It names injected shifts far more reliably than a confidence-based selector. After a correction over all signed permutations of the axes, the estimate separates successful from failed corrections.
• Abstract（参考訳）: 本稿では,慣性センサの装着方法が異なるフリーズ動作認識モデルの入力校正法REFITを提案する。 ユーザーが時計を他の手首に移動させたり、ストラップセンサーをオンにすると、モデルが変化した軸に同じ動きを見せる。 REFITはラベルやリトレーニングなしでそのようなシフトを解除する。 これは、反射や回転などの軸変換のファミリーによって記述され、各ファミリーをユーザのデータに適合させて、単純な統計がトレーニングデータのデータと一致するようにする。 ミスマッチのほとんどを取り除いた家族は、シフトを名付けている。 REFITは、凍結モデルの前にその家族の最高のメンバーを適用し、正規化統計を再見積することによって、シフトを修正する。 ラベルなしの精度推定で固定モデルをテストし、センサーが低いときに再装着するようユーザに求める。 実左/右のセンサーペアと実とシミュレートされた再アタッチメントの実験では、REFITは各データセット上でラベルのないテスト時間適応法より優れており、再アタッチメントで失われる精度のほとんどを復元している。 信頼ベースのセレクタよりもはるかに確実なシフトを注入する。 符号付き軸のすべての置換に対する補正の後、見積もりは失敗する補正から成功を分離する。

関連論文リスト

• A Heckler in the Hidden State: Correctness Signals in Diffusion Language Models [4.165512410177194]
  拡散モデルは、部分的にマスキングされたシーケンスを繰り返し更新することでコードを生成する。 我々は、それらの内部アクティベーションがコード正しさを符号化し、その情報が生成を改善するかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-29T05:54:31Z)
• Beyond Verbalized Confidence: Calibrating Reasoners with Differentiable Readouts [57.65087348754571]
  検証可能な報酬(RLVR)による強化学習は、モデルに正しい回答を与えるよう推論するモデルを訓練するが、その信頼性が校正されることは保証しない。 近年の手法では、RLVRループ内のキャリブレーションを、モデルが応答に付随して数値的信頼度を持たせることで訓練しているが、これらはすべてテキストとしてサンプリングすることで信頼性を得る。 我々は、サンプリングを決定論的読み出しに置き換えるためにCREDO(Confidence REaDOut)を提案する。
  論文  参考訳（メタデータ） (2026-09-28T10:47:41Z)
• The BatchNorm Illusion: Diagnosing Normalization Artifacts in Machine Unlearning Evaluation [8.644777648927427]
  我々は、BatchNormベースのアーキテクチャでアンラーニングがどのように評価されるか、これまで文書化されていなかったコンファウンドを特定した。 我々は、この演算を重み保存された固定点演算子として定式化し、それが引き起こす逆ポストギャップがBN実行統計に起因することを証明した。
  論文  参考訳（メタデータ） (2026-09-08T15:39:10Z)
• Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning [8.170162585703787]
  Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納することで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。
  論文  参考訳（メタデータ） (2026-09-03T20:59:09Z)
• Your AI-Generated Image Detector Can Secretly Achieve SOTA Accuracy, If Calibrated [40.02006384527024]
  バランスの取れたデータセットでトレーニングされているにもかかわらず、既存のAI生成イメージ検出器はテスト時に体系的なバイアスを示すことが多い。 ベイズ決定理論に基づく理論的に基礎付けられたポストホック校正フレームワークを提案する。 我々のアプローチは、信頼性と適応性のあるAI生成画像検出のための軽量で原則化されたソリューションを提供するため、再トレーニングなしにロバスト性を大幅に改善する。
  論文  参考訳（メタデータ） (2026-02-02T11:26:37Z)
• Pseudo2Real: Task Arithmetic for Pseudo-Label Correction in Automatic Speech Recognition [61.712328155788434]
  現実世界のシステムは、ラベル付きデータに制限のある、目に見えないアクセントとドメインに遭遇する。 擬似ラベルは、しばしばフィルタリングが修正に失敗するシステマティックでアクセント固有のエラーをもたらす。 そこで本研究では,これらの繰り返しバイアスを目的の真理を含まない簡単なパラメータ空間補正を提案する。
  論文  参考訳（メタデータ） (2025-10-09T10:31:47Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Detection of data drift and outliers affecting machine learning model performance over time [5.319802998033767]
  ドリフトはトレーニングとデプロイメントデータ間の分散変更である。 これらの変更を検出したいのですが、デプロイメントデータラベルなしでは正確さを計測できません。 代わりに、変更に対するモデル予測の信頼性の分布を非パラメトリックにテストすることで間接的にドリフトを検出する。
  論文  参考訳（メタデータ） (2020-12-16T20:50:12Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。