論文の概要: OntoAR-HAR: Ontology-Guided Agentic RAG with Personalized Memory for Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2610.15292v1
• Date: Sun, 11 Oct 2026 02:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.184874
• Title: OntoAR-HAR: Ontology-Guided Agentic RAG with Personalized Memory for Human Activity Recognition
• Title（参考訳）: OntoAR-HAR:人間行動認識のための個人記憶型オントロジー誘導エージェントRAG
• Abstract要約: OntoAR-HARは静的集団とパーソナライズされた知識を組み合わせたエージェントRAGフレームワークである。 意味的に関連した活動の中で、分類を局所的な決定に分解する。 クロスオブジェクトおよびヘテロジニアスセンシング実験は、階層的検索とパーソナライズドメモリの相補的な向上を示す。
• 参考スコア（独自算出の注目度）: 4.241670630489066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs increasingly support sensor-based human activity recognition (HAR) by linking motion signals with activity semantics and physical knowledge. Retrieval-augmented generation (RAG) grounds decisions in sensor examples and domain features, enabling training-free target-user inference with less dependence on raw numerical arrays. However, existing LLM/RAG-based HAR typically searches single-level activity spaces using static population knowledge. Consequently, they compare many unrelated candidates using the same static population evidence and overlook personalized motion patterns. We propose OntoAR-HAR, an ontology-guided agentic RAG framework combining static population and personalized knowledge. Its tree-structured activity ontology decomposes classification into local decisions among semantically related activities. The static store supplies node-constrained examples, while offline-discovered executable signal features provide numerical evidence for local distinctions. During inference, the personalized store collects selected user observations, which the LLM integrates with static knowledge and signal features while traversing the ontology to an activity label. Cross-subject and heterogeneous-sensing experiments show complementary gains from hierarchical retrieval and personalized memory across multiple LLM backbones, achieving state-of-the-art performance. By explicitly modeling hierarchical relations across activity granularities, OntoAR-HAR also addresses the long-overlooked semantic inclusion problem and avoids treating related labels as independent categories.
• Abstract（参考訳）: LLMは、モーション信号とアクティビティセマンティクスと身体的知識をリンクすることで、センサベースのヒューマンアクティビティ認識(HAR)をますますサポートしている。 Retrieval-augmented Generation (RAG) はセンサの例とドメインの特徴に基づいて決定を下し、生の数値配列に依存しないトレーニング不要なターゲットユーザ推論を可能にする。 しかし、既存のLLM/RAGベースのHARは、静的な集団知識を用いて単一レベルの活動空間を探索するのが一般的である。 その結果、多くの無関係な候補を同じ静的な集団証拠を用いて比較し、パーソナライズされた動作パターンを見落としている。 静的集団とパーソナライズされた知識を組み合わせたオントロジー誘導エージェントRAGフレームワークであるOntoAR-HARを提案する。 その木構造的活動オントロジーは、意味的に関連する活動の中で、局所的な決定に分類を分解する。 静的ストアはノード制限された例を提供し、オフラインで発見された実行可能信号の特徴は、局所的な区別の数値的な証拠を提供する。 推測中、パーソナライズされたストアは選択されたユーザ観測を収集し、LCMはオントロジーをアクティビティラベルにトラバースしながら静的知識と信号特徴を統合する。 クロスオブジェクトおよびヘテロジニアスセンシング実験は、階層的検索と複数のLDMバックボーンにまたがるパーソナライズされたメモリから相補的なゲインを示し、最先端のパフォーマンスを達成する。 OntoAR-HARは、アクティビティの粒度の階層的関係を明示的にモデル化することで、長年見過ごされてきたセマンティック包摂問題にも対処し、関連するラベルを独立したカテゴリとして扱うことを避ける。

関連論文リスト

• RAG-HAR+: Towards Cost-Efficient LLM-Based Human Activity Recognition for Edge Deployment [5.089700375729287]
  ウェアラブルセンサーからのヒューマンアクティビティ認識(HAR)は、医療、リハビリテーション、フィットネストラッキング、スマート環境のアプリケーションをサポートする。 既存のディープラーニングアプローチでは、データセット固有のトレーニング、大きなラベル付きコーパス、新しいセンサー設定やアクティビティへの繰り返し適応が必要になります。 Retrieval-Augmented Generation for Human Activity Recognition (RAG-HAR)は、HARをトレーニング不要の検索強化タスクとしてフレーミングすることでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-07-29T08:57:03Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• Zero-shot HOI Detection with MLLM-based Detector-agnostic Interaction Recognition [71.5328300638085]
  Zero-shot Human-Object Interaction (HOI) は、画像中の人間と物体を特定し、その相互作用を認識することを目的としている。 2段階法を含む既存の手法は、特定の検出器との相互作用認識を密に結合する。 本稿では、オブジェクト検出をIRから分離し、マルチモーダル大言語モデル(MLLM)をゼロショットIRに活用する分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T19:01:31Z)
• LLM-Guided Exemplar Selection for Few-Shot Wearable-Sensor Human Activity Recognition [1.575769267908841]
  我々は,現在最先端のHAR(Human Activity Recognition)手法における鍵となる限界に対処するために,LLM-Guided Exemplar Selectionフレームワークを提案する。 提案手法は, 特徴量, クラス間コンフューザビリティ, および既定予算乗算器をキャプチャする, LLM 生成した知識による意味推論を取り入れた手法である。 このフレームワークは88.78%のマクロF1スコアを達成し、ランダムサンプリング、ハーディング、kセンタといった古典的なアプローチより優れている。
  論文  参考訳（メタデータ） (2025-12-26T21:03:15Z)
• Semantically Encoding Activity Labels for Context-Aware Human Activity Recognition [2.8132886759540146]
  LMを利用してCA-HAR活動ラベルを符号化し,意味的関係を捉えるSEALを提案する。 我々の研究は、より高度なLMをCA-HARタスクに統合する新たな可能性を開く。
  論文  参考訳（メタデータ） (2025-04-10T17:30:07Z)
• DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
  本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。 広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
  論文  参考訳（メタデータ） (2025-02-11T20:02:24Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Using Language Model to Bootstrap Human Activity Recognition Ambient Sensors Based in Smart Homes [2.336163487623381]
  本稿では,活動系列分類タスクにおけるLSTMに基づく構造向上のための2つの自然言語処理手法を提案する。 以上の結果から,センサ組織マップなどの有用な情報が得られることが示唆された。 我々のテストでは、埋め込みはターゲットと異なるデータセットで事前トレーニング可能であり、転送学習を可能にしている。
  論文  参考訳（メタデータ） (2021-11-23T21:21:14Z)
• Learning Asynchronous and Sparse Human-Object Interaction in Videos [56.73059840294019]
  Asynchronous-Sparse Interaction Graph Networks(ASSIGN)は、ビデオシーン内のエンティティに関連するインタラクションイベントの構造を自動的に検出します。 ASSIGNは人間と物体の相互作用認識において試験され、人間のサブアクティビティのセグメンテーションおよびラベル付けにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-03T23:43:55Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)

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。