論文の概要: IMU-Bench: Benchmarking Wrist IMU Representations Across Kinematic, Semantic and Clinical Tasks

• arxiv url: http://arxiv.org/abs/2610.19481v1
• Date: Wed, 14 Oct 2026 02:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.928474
• Title: IMU-Bench: Benchmarking Wrist IMU Representations Across Kinematic, Semantic and Clinical Tasks
• Title（参考訳）: IMU-Bench:Kinematic, Semantic, Clinical TasksにおけるIMU表現のベンチマーク
• Abstract要約: In this present IMU-Bench, a benchmark of ten task from eight datasets for study IMU multi-task performance and cross-task transfer。 マスク付きオートエンコーダInrtlWristは,10タスク中9タスクにおいて,最高あるいは最良なフリーズプローブ性能を実現する。
• 参考スコア（独自算出の注目度）: 10.41628093286687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wrist-worn inertial measurement units (IMUs) provide a common sensing modality for tasks ranging from activity and gesture recognition to pose estimation, inertial odometry and clinical motor assessment. Existing wearable benchmarks evaluate performance across multiple tasks, but leave open how supervision for one task affects transfer to others and whether these tasks benefit from a shared representation. We present IMU-Bench, a benchmark of ten tasks from eight datasets for studying IMU multi-task performance and cross-task transfer. We compare six self-supervised methods pretrained on unlabeled recorded and simulated wrist motion, evaluating classification, pose and velocity estimation, and IMU-language retrieval. We find that our masked autoencoder, InrtlWrist, achieves the best or joint-best frozen-probe performance on nine of ten tasks, and fine-tuning improves on training from scratch on nine of ten tasks, including full-body pose, odometry and retrieval. Across transfer and joint-training experiments, supervision that benefits one target can reduce performance on others, with supervised sources transferring within kinematic estimation while, under frozen probing, none approaches the pretrained encoder on language retrieval, and joint-training gains that come at a cost to the paired task. These findings distinguish broad downstream usefulness from complementary task supervision. Code, task cards and a leaderboard are publicly available.
• Abstract（参考訳）: IMU(Wrist-worn inertial Measurement Unit)は、活動やジェスチャー認識から、ポーズ推定、慣性計測、臨床運動評価に至るまでのタスクに対して、共通の知覚モダリティを提供する。 既存のウェアラブルベンチマークは、複数のタスクのパフォーマンスを評価するが、あるタスクの監督が他への転送にどのように影響するか、これらのタスクが共有表現から恩恵を受けるかどうかをオープンにしておく。 In this present IMU-Bench, a benchmark of ten task from eight datasets for study IMU multi-task performance and cross-task transfer。 記録・模擬手首動作に基づいて事前訓練した6つの自己教師手法を比較し,分類,ポーズ,速度推定,IMU言語検索について検討した。 マスク付きオートエンコーダであるInrtlWristは10タスク中9タスクで最高または最良冷凍プローブ性能を達成し,フルボディポーズ,オドメトリー,検索を含む10タスクのうち9タスクでスクラッチから微調整を改善する。 移動および共同学習実験を通じて、ある目標に利益をもたらす監督は、他の目標に対するパフォーマンスを低下させる可能性がある。一方、凍結した探索の下では、事前訓練されたエンコーダが言語検索に近づき、ペア化されたタスクにコストがかかる共同訓練利得には近づかない。 これらの知見は、相補的なタスク管理と幅広い下流の有用性を区別する。 コード、タスクカード、リーダーボードが公開されている。

関連論文リスト

• TransfHAR: Self-Supervised Wrist Representations for On-Demand Activity Recognition [16.565945982234748]
  TransfHARはオンデマンドできめ細かいアクティビティ認識のためのセルフ教師付き手首IMUフレームワークである。 本研究では,TransfHARが運動構造を十分に学習し,精密なマニピュレータ,ジェスチャー,手続き的活動に移行することを示す。 TransfHARは,ユーザが自身のアクティビティセットを定義して拡張するための,リアルタイムスマートウォッチアプリケーションです。
  論文  参考訳（メタデータ） (2026-08-16T17:09:18Z)
• Fusion-SSAT: Unleashing the Potential of Self-supervised Auxiliary Task by Feature Fusion for Generalized Deepfake Detection [14.443591751734987]
  自己監督型補助タスクから特徴表現を融合させることが,課題に対する強力な特徴表現であることを示す。 私たちは、FaceForensics++、Celeb-DF、DFD、FaceShifter、UADFVを含む、大規模なデータセットの実験を行った。 その結果,現在の最先端検出器と比較して,データセット間評価の一般化性が向上した。
  論文  参考訳（メタデータ） (2026-01-02T18:47:36Z)
• Machine Text Detectors are Membership Inference Attacks [55.07733196689313]
  我々は,あるタスクに対してもともと開発された手法が,他方でどのように機能するかを理論的,実証的に検討する。 7つの最先端MIA法と5つの最先端マシンテキスト検出器を含む大規模実験は、クロスタスク性能において非常に強いランク相関(rho >)を示す。 この結果から,両研究コミュニティ間のクロスタスク意識とコラボレーションの必要性が示唆された。
  論文  参考訳（メタデータ） (2025-10-22T11:39:01Z)
• Exploring the Effectiveness and Consistency of Task Selection in Intermediate-Task Transfer Learning [21.652389166495407]
  転送性能は、異なるソースタスク間で大きなばらつきを示し、種を訓練する。 埋め込みのない方法やテキスト埋め込みと比較して、微調整された重みで構築されたタスク埋め込みは、タスク転送可能性をよりよく見積もることができる。 本稿では,内部積探索の最大化によるトークンの相互類似度の測定手法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T07:31:43Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• DrM: Mastering Visual Reinforcement Learning through Dormant Ratio Minimization [43.60484692738197]
  ビジュアル強化学習は、継続的な制御タスクにおいて有望である。 現在のアルゴリズムは、パフォーマンスのあらゆる面において、いまだに満足できない。 DrMは、ドッグドメインとマニピュレータドメインの両方のタスクを一貫して解決する最初のモデルフリーアルゴリズムである。
  論文  参考訳（メタデータ） (2023-10-30T15:50:56Z)
• ForkMerge: Mitigating Negative Transfer in Auxiliary-Task Learning [59.08197876733052]
  補助タスク学習(ATL)は、関連するタスクから得られる知識を活用することにより、目標タスクの性能を向上させることを目的としている。 複数のタスクを同時に学習すると、ターゲットタスクのみを学習するよりも精度が低下することがある。 ForkMergeは、モデルを定期的に複数のブランチにフォークし、タスクの重みを自動的に検索する新しいアプローチである。
  論文  参考訳（メタデータ） (2023-01-30T02:27:02Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)

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。