論文の概要: FALLNEST: Dual-Domain Dataset Condensation of Imbalanced IMU Data for Wearable Fall Detection

• arxiv url: http://arxiv.org/abs/2610.18260v1
• Date: Tue, 13 Oct 2026 12:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.610424
• Title: FALLNEST: Dual-Domain Dataset Condensation of Imbalanced IMU Data for Wearable Fall Detection
• Title（参考訳）: FALLNEST:ウェアラブルフォール検出のための不均衡IMUデータのデュアルドメインデータセット凝縮
• Abstract要約: ウェアラブルな転倒検出は、希少な転倒イベント、ラベル付きIMUデータ不足、大規模で不均衡なコーパス上での深層モデルのトレーニングコストによって妨げられる。 本稿では、FALLNESTと呼ばれる合成時間周波数縮合にマッチする正規化段階および埋め込みによる新しい転倒検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.418921313838797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable fall detection is hampered by rare fall events, scarce labeled IMU data, and the cost of training deep models on large, imbalanced corpora. Existing methods either rely on hand-crafted features with shallow classifiers, which limits learning from raw signals, or train deep networks on full datasets that require re-sampling to counter class skew and demand substantial data and compute. To address this, we propose a novel Fall detection framework via Normalized-gradient and Embedding matched Synthetic Time-frequency condensation, dubbed FALLNEST, a data-centric approach that distills large, imbalanced IMU datasets into tiny, class-balanced synthetic training sets. Building on dual-domain time-series condensation (CondTSC), FALLNEST introduces a fall-specific 7-channel input with accelerometer vector magnitude, class-balanced K-Means initialization, and normalized gradient matching with gradient clipping, combined with MMD-based embedding alignment and multi-view Fourier-domain augmentation, so that class balance arises from the condensed set itself rather than from re-sampling. We evaluate on SisFall, KFall, and MobiFall using strict subject-wise splits and naturally imbalanced test sets, reporting accuracy, Macro-F1, and PR-AUC over five seeds. A 102K-parameter TinyCNN trained on only 32 to 146 synthetic windows (about only 1% of the training windows) reaches 93.5-95.8% mean accuracy and 0.89-0.98 PR-AUC, with standard deviations of 1.0-1.7% in accuracy, demonstrating the efficacy of our approach.
• Abstract（参考訳）: ウェアラブルな転倒検出は、希少な転倒イベント、ラベル付きIMUデータ不足、大規模で不均衡なコーパス上での深層モデルのトレーニングコストによって妨げられる。 既存の方法は、生の信号からの学習を制限する浅い分類器を使った手作りの機能に依存するか、あるいは、クラススキューに対処し、かなりのデータと計算を要求するために再サンプリングを必要とする完全なデータセットでディープネットワークを訓練する。 そこで本研究では、FALLNESTと呼ばれる、大規模不均衡なIMUデータセットを小さなクラスバランスの合成トレーニングセットに蒸留するデータ中心の手法を用いて、正規化段階および埋め込みマッチングされた合成時間周波数凝縮による新しいフォール検出フレームワークを提案する。 デュアルドメインの時系列凝縮(CondTSC)に基づいて、FALLNESTは、加速度計ベクトルサイズ、クラスバランスのK平均初期化、勾配クリッピングとの正規化勾配マッチング、MDDベースの埋め込みアライメントとマルチビューのフーリエドメイン拡張を組み合わせた、フォール固有7チャネル入力を導入し、クラスバランスは再サンプリングではなく、凝縮セット自体から生じる。 SisFall, KFall, MobiFallについて, 厳密な主観的分割と自然不均衡なテストセットを用いて評価し, 5種の種子上での報告精度, Macro-F1, PR-AUCについて検討した。 102KパラメーターのTinyCNNは、32から146個の合成窓(訓練窓の約1%)で訓練され、平均精度は93.5-95.8%、PR-AUCは0.89-0.98であり、標準偏差は1.0-1.7%であり、我々のアプローチの有効性を示している。

関連論文リスト

• Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
  本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。 301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
  論文  参考訳（メタデータ） (2026-09-30T10:51:23Z)
• Empirical Evaluation of Membership Inference Attacks on NLP Text Classifiers: A Baseline Study on SST-2 [0.0]
  メンバーシップ推論攻撃(MIA)は、モデルをトレーニングするために特定のレコードが使用されたかどうかを判断しようとする。 本稿では,GLUE SST-2感情データセットを用いたテキスト分類におけるメンバシップ推定脆弱性のベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-09-10T00:53:20Z)
• Quantum-Enhanced Synthetic Data Generation Using Quantum Circuit Born Machines for Imbalanced Tabular Learning [0.0]
  量子回路ボルンマシン(QCBM)を用いた合成データ生成のための量子古典的フレームワークを提案する。 提案手法はパラメータ化された変分量子回路内での量子力学的特性(重ね合わせと絡み合い)を利用する。 本稿では,QCBM が競合分類性能を達成し,Telco データセット上での平均最大離散性 (MMD) を低下させることを示す。
  論文  参考訳（メタデータ） (2026-07-10T05:53:29Z)
• Improving IoT Intrusion Detection Through SMOTE-Based Oversampling and Extended Multi-Model Evaluation on Side-Channel Power Data [0.0]
  本稿では、電力系統侵入検知のためのサイドチャネルデータセットの不均衡問題を扱う。 ランダムフォレスト平均F1スコアは0.9989、マクロF1スコアは0.9794に達し、それまでで最高のマイクロF1結果を上回った。 エクストラツリーも同じパフォーマンスを提供するが、速度は10倍に向上した。
  論文  参考訳（メタデータ） (2026-05-29T10:10:13Z)
• You Don't Need Attention: Gated Convolutional Modeling for Watch-Based Fall Detection [2.2611915110827585]
  Gated-CNNは、独立の一次元畳み込み特徴抽出器を介して加速度計とジャイロスコープストリームを処理する軽量なデュアルストリームアーキテクチャである。 オフライン評価では,5つの手首搭載慣性測定ユニット(IMU)データセットを用いて,平均F1スコアが93%,93%,90%,91%,90%を達成した。 リアルタイム評価のために、Google Pixel Watch 3にモデルをデプロイし、12人の参加者を対象にテストしました。
  論文  参考訳（メタデータ） (2026-05-19T03:44:45Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• 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)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。