論文の概要: MorphCL: Morphological Contrastive Learning for Inertial-based Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2610.10245v1
- Date: Wed, 07 Oct 2026 15:27:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.992585
- Title: MorphCL: Morphological Contrastive Learning for Inertial-based Human Activity Recognition
- Title（参考訳）: MorphCL:慣性に基づく人間活動認識のための形態的コントラスト学習
- Abstract要約: MorphCL(Morphological Contrastive Learning、モルフォロジー・コントラシティブ・ラーニング、MorphCL)は、構造認識グループ化(Structure-aware grouping)を用いて、グローバル構造の明示的なモデリングを慣性ベースのSSLアプローチに注入する自己教師型事前学習フレームワークである。
また,MorphCLはF1スコアにおいて,学習エンコーダの線形探索および微調整結果を最大15ポイント改善することを示した。
- 参考スコア（独自算出の注目度）: 35.03135736655589
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the ubiquity of sensors in wearable and mobile devices and the abundance of human movement data they generate, translating unlabeled recordings into foundational motion models remains an open challenge. Self-supervised learning (SSL) has alleviated the need for costly annotations, yet existing approaches leave the global structure of large-scale motion data largely untapped, relying on randomly sampled batches and local comparisons that become particularly problematic for in-the-wild inertial data dominated by stationary, low-variance behaviors. Here we introduce Morphological Contrastive Learning (MorphCL), a self-supervised pretraining framework that uses structure-aware grouping to inject explicit modeling of global structure into inertial-based SSL approaches. Building on two well-established pillars of motion analysis, the discovery of motion primitives, or motifs, and domain-specific feature descriptors, we show that MorphCL substantially improves linear probing and finetuning results of learned encoders by up to 15 percentage points in F1-score. In a comparison with existing foundation models, we demonstrate that MorphCL-pretrained encoders match or surpass them models in linear probing performance while trained on $4600\times$ less data. Qualitative analysis of the resulting embedding spaces further reveals morphologically meaningful cluster structure, with improved separation of kinematically similar activity classes.
- Abstract（参考訳）: ウェアラブルやモバイルデバイスにセンサーが多用されていることと、それらが生成する人間の運動データが豊富にあるにもかかわらず、ラベルのない記録を基礎となるモーションモデルに変換することは、依然としてオープンな課題である。
自己教師付き学習(SSL)は、コストのかかるアノテーションの必要性を緩和してきたが、既存のアプローチでは、ランダムにサンプリングされたバッチと局所的な比較を頼りに、大規模なモーションデータのグローバルな構造を、静止的で低分散な振る舞いに支配される、特に問題となっている。
本稿では,Morphology Contrastive Learning (MorphCL)について紹介する。MorphCLは,構造認識グループ化(Structure-aware grouping)を用いて,グローバル構造の明示的なモデリングを慣性ベースのSSLアプローチに注入する自己教師型事前学習フレームワークである。
運動分析, 運動プリミティブ, モチーフの発見, ドメイン固有の特徴記述子は, 学習エンコーダの線形探索および微調整結果をF1スコアで最大15ポイント向上させる。
既存の基礎モデルと比較すると,MorphCLで事前訓練されたエンコーダは,4600\times$より少ないデータでトレーニングしながら,線形探索性能でモデルに適合または上回ることを示した。
結果として生じる埋め込み空間の質的解析により、運動学的に類似した活動クラスの分離を改善することで、モルフォロジー的に意味のあるクラスター構造がさらに明らかになる。
関連論文リスト
- A Theoretical Analysis of Mamba's Training Dynamics: Filtering Relevant Features for Generalization in State Space Models [36.99162631444728]
単純だが代表的なマンバブロックに対する一般化と学習ダイナミクスの第一段階解析について述べる。
本研究は,トークンレベルのノイズの下で,クラス関連パターンとクラス関連パターンの両方を含むトークンを持つ構造化データモデルを採用する。
非漸近的なサンプル複雑性と収束率境界を確立することにより、モデルが保証された一般化を実現することを証明した。
論文 参考訳（メタデータ） (2026-02-13T00:44:26Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - Reducing self-supervised learning complexity improves weakly-supervised
classification performance in computational pathology [0.0]
自己教師付き学習(SSL)法は、注釈のないデータの大規模解析を可能にする。
本研究では、SSLの分類性能と、コンシューマグレードハードウェアの利用に関する複雑さについて検討した。
実験により,SSLトレーニング期間を90%短縮しつつ,下流分類性能を向上できることが実証された。
論文 参考訳（メタデータ） (2024-03-07T14:56:06Z) - A Theoretical Analysis of Self-Supervised Learning for Vision Transformers [66.08606211686339]
マスク付きオートエンコーダ(MAE)とコントラスト学習(CL)は異なる種類の表現をキャプチャする。
我々は,MAEとCLの両目的に対して,一層ソフトマックス型視覚変換器(ViT)のトレーニングダイナミクスについて検討した。
論文 参考訳（メタデータ） (2024-03-04T17:24:03Z) - Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。
合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
論文 参考訳（メタデータ） (2024-01-02T08:43:06Z) - 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) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - How robust are pre-trained models to distribution shift? [82.08946007821184]
自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。
本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
論文 参考訳（メタデータ） (2022-06-17T16:18:28Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z)
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。