論文の概要: CHEAR: Confusion-Hierarchy Evidence-Aware Reasoning for Cost-Efficient Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2610.15298v1
• Date: Sun, 11 Oct 2026 03:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.185846
• Title: CHEAR: Confusion-Hierarchy Evidence-Aware Reasoning for Cost-Efficient Human Activity Recognition
• Title（参考訳）: CHEAR:コスト効率の良い人間活動認識のための統合階層的証拠認識
• Abstract要約: 大規模言語モデル(LLM)は、ウェアラブルセンサーに基づく人間の活動認識に対する新しいアプローチを提供する。 本稿では,この知識組織の一部をオフライン化する混乱階層型エビデンス認識推論(CHEAR)を提案する。 CHEARは86.79%の平均クロスオブジェクト精度、75.91%の候補減少率、96.44%の真活動保持を実現している。
• 参考スコア（独自算出の注目度）: 3.682861971728593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) offer a new approach to wearable-sensor-based human activity recognition. Retrieval-augmented generation (RAG) further introduces similar motion examples and discriminative sensor knowledge, enabling decisions grounded in observations relevant to the current query. More evidence, however, does not necessarily mean better-organized evidence. When online prompts and LLM agents primarily orchestrate inference, decisions about which activities to compare and when to invoke discriminative knowledge remain concentrated at inference time. As the activity vocabulary grows, the model must repeatedly process more candidates and associated knowledge, whereas pruning candidates too early risks excluding the true activity. We propose confusion-hierarchy evidence-aware reasoning (CHEAR), which moves part of this knowledge organization offline. CHEAR constructs and validates an activity hierarchy from recurrent cross-subject retrieval errors and builds corresponding activity-pair knowledge. At inference time, the hierarchy orders candidate comparisons; the LLM retains candidates progressively, and local discriminative knowledge is accessed only for the remaining activities. Across eight datasets, CHEAR achieves 86.79\% mean cross-subject accuracy, a 75.91\% candidate reduction rate, and 96.44\% true-activity retention. Per-sample token use is 85.15\% lower on average than in a variant without the hierarchical structure. Mean accuracy across eight cross-dataset transfer directions is 88.81\%. These results show that organizing candidates and discriminative knowledge around observed activity confusions reduces online LLM input while maintaining recognition performance.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ウェアラブルセンサーに基づく人間の活動認識に対する新しいアプローチを提供する。 Retrieval-augmented Generation (RAG)は、類似の動作例と識別センサ知識を導入し、現在のクエリに関連する観測に基づく決定を可能にする。 しかし、もっと多くの証拠が必ずしもより良い組織化された証拠を意味するとは限らない。 オンラインのプロンプトとLLMエージェントが主に推論をオーケストレーションする場合、どのアクティビティを比較するか、いつ差別的知識を呼び出すかの判断は推論時に集中する。 活動語彙が大きくなるにつれて、モデルはより多くの候補と関連する知識を繰り返し処理しなければなりません。 本稿では,この知識組織の一部をオフラインにする混乱階層型エビデンス認識推論(CHEAR)を提案する。 CHEARは、繰り返し発生するクロスオブジェクト検索エラーからアクティビティ階層を構築し、検証し、対応するアクティビティペア知識を構築します。 LLMは候補を段階的に保持し、局所的な差別的知識は残りの活動のためにのみアクセスされる。 8つのデータセットで、CHEARは86.79\%の平均クロスオブジェクト精度、75.91\%の候補減少率、96.44\%の真活動保持を達成する。 サンプル単位のトークンの使用量は、階層構造を持たない変種よりも平均で85.15\%低い。 8つのデータセット間の転送方向の平均精度は88.81\%である。 これらの結果から,観察活動の混乱に伴う候補の整理と識別的知識は,認識性能を維持しながらオンラインLLM入力を減少させることがわかった。

関連論文リスト

• OntoAR-HAR: Ontology-Guided Agentic RAG with Personalized Memory for Human Activity Recognition [4.241670630489066]
  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。
  論文  参考訳（メタデータ） (2026-10-11T02:57:12Z)
• DiVeR: Decision-Critical Verifier Learning for VLA Test-Time Scaling [19.782645536199013]
  DiVeRはサンプル化された動作表現の分散から決定臨界度を推定する。 LIBERO、RoboCasa、およびFranka Research 3ロボットの現実世界での実験を通して、DiVeRはより効果的な検証者誘導アクション選択によってタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-10-04T04:25:40Z)
• AffectOmni: RL-Verifiable People-Centric Grounded Affective Reasoning for Social and Art-Related Scenes [59.134503227559634]
  マルチモーダル大言語モデル(MLLM)は,VQAとシーン理解において高い性能を発揮する。 モデルは、マイクロ表現やボディランゲージのような人中心の手がかりを無視しながら、正しい答えを予測できる。 本稿では、感情的推論を検証可能なフレームワークであるAffect Omniを提案する。
  論文  参考訳（メタデータ） (2026-08-24T11:25:04Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• Verifying Large Language Models' Reasoning Paths via Correlation Matrix Rank [71.09032766271493]
  大規模言語モデル (LLM) は誤りや幻覚を引き起こす傾向がある。 アウトプットを効果的かつ効率的にチェックする方法は、アプリケーションにとって重要な問題となっている。
  論文  参考訳（メタデータ） (2025-10-28T11:01:10Z)
• Improving annotator selection in Active Learning using a mood and fatigue-aware Recommender System [0.0]
  本研究は,アクティブラーニング(AL)におけるクエリ毎に最適なアノテータを選択することの課題を克服することに焦点を当てる。 ALはラベル付きデータを取得する際のコストと時間に関連する課題を認識し、ラベル付きデータの数を削減します。 クエリアノテータペアの戦略の多くは、ムード、注意、モチベーション、疲労レベルといった生産性に影響を与える内部要因を考慮していない。
  論文  参考訳（メタデータ） (2025-07-31T17:41:30Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• ADROIT: A Self-Supervised Framework for Learning Robust Representations for Active Learning [9.89630586942325]
  本稿では,タスク認識を伴う能動的学習に適した統一表現学習フレームワークを提案する。 再建、敵対的、自己監督的、知識蒸留、分類損失など様々なソースを統合されたVAEベースのADROITアプローチに統合する。
  論文  参考訳（メタデータ） (2025-03-10T16:28:04Z)

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。