論文の概要: Recurrent Temporal Restricted Boltzmann Machines as Unsupervised Encoders for Biomechanical Movement Sequences
- arxiv url: http://arxiv.org/abs/2610.24829v1
- Date: Sat, 17 Oct 2026 19:26:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 15:54:34.249623
- Title: Recurrent Temporal Restricted Boltzmann Machines as Unsupervised Encoders for Biomechanical Movement Sequences
- Title（参考訳）: 生体機械運動系列の教師なしエンコーダとしての繰り返し時間制限ボルツマンマシン
- Abstract要約: 本稿では、RTRBM(Recurrent Temporal Restricted Boltzmann Machine)を教師なしエンコーダに実装する。
移動データのウィンドウを固定長の埋め込みにマッピングし、その再帰構造がもたらすものをテストする。
模擬筋骨格リーチおよび2つの実際の歩行データセットへの埋め込みについて検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomechanical movement recordings are continuous, high-dimensional time series, and analyzing them without manually labeling them requires representations that capture how movements evolve over time. Most unsupervised representation-learning pipelines, however, treat each observation frame independently and discard this temporal structure, while energy-based models that could capture it have not extensively been adapted to biomechanical signals. So, this paper implements the Recurrent Temporal Restricted Boltzmann Machine (RTRBM), a recurrent energy-based model, into an unsupervised encoder that maps windows of movement data to fixed-length embeddings, and tests what its recurrent structure contributes. We adapt the model to continuous-valued signals, stack it into a deep architecture, and integrate it into the SIT-FUSE segmentation pipeline. We evaluate the embeddings on simulated musculoskeletal reaching and on two real gait datasets, using clustering, reconstruction, and walking-speed classification of unseen subjects, and compare them against non-recurrent and non-probabilistic baselines, including a control that removes the recurrent connection. Clustering the embeddings recovers movement structure tied to progress toward the target without any labels, which also transfers to unseen episodes. On gait data, the embeddings outperform PCA and autoencoder baselines under a nonlinear probe. However, removing the recurrent connection does not yield a measurable loss on the reaching task, and simple per-channel summary statistics classify walking speed at least as well as the embeddings. The model is therefore a working, verified encoder for SIT-FUSE, while the evidence for a benefit of recurrence is mixed, and the learned embeddings did not outperform simple summary statistics on gait.
- Abstract（参考訳）: バイオメカニカル・ムーブメント・レコードは連続的で高次元の時系列であり、それらを手動でラベル付けせずに分析するには、時間とともに運動がどのように進化するかをキャプチャする表現が必要である。
しかし、ほとんどの教師なし表現学習パイプラインは、それぞれの観測フレームを独立に扱い、この時間構造を破棄する一方、それを捕捉できるエネルギーベースのモデルは、生体力学的信号に広く適応していない。
そこで本稿では,リカレント・テンポラル・リミテッド・ボルツマン・マシン(RTRBM, Recurrent Temporal Restricted Boltzmann Machine)を非教師なしエンコーダに実装し,移動データのウィンドウを固定長埋め込みにマッピングし,その再カレント構造が寄与するものをテストする。
我々は、連続的に評価された信号にモデルを適応させ、それを深いアーキテクチャに積み上げ、SIT-FUSEセグメンテーションパイプラインに統合する。
シミュレーションした筋骨格と実際の歩行データセットの埋め込みを,クラスタリング,再構成,歩行速度分類を用いて評価し,再帰的接続を除去する制御を含む非反復的・非確率的ベースラインと比較した。
埋め込みをクラスタ化すると、ラベルなしでターゲットに向かって進行する動き構造が回復する。
歩行データでは、埋め込みは非線形プローブの下でPCAおよびオートエンコーダベースラインを上回っている。
しかし、リカレント接続の除去は到達タスクに測定不能な損失を与えず、単純なチャネルごとの要約統計は、少なくとも歩行速度と埋め込みを分類する。
したがって、SIT-FUSEの動作検証エンコーダであり、繰り返しの利点を示す証拠は混在しており、学習された埋め込みは歩行に関する単純な要約統計よりも優れていなかった。
関連論文リスト
- TReViS: Temporal Repetition Structure Aware Video Synthesis for Self-supervised Repetitive Action Counting [10.584629283098304]
TReViSは、繰り返しラベルなしでRACモデルのトレーニングを可能にする、自己教師付きビデオ合成フレームワークである。
時間的自己相似行列を用いて、ラベルのないビデオの時間的繰り返し構造を推定する。
時間的変動を制御しながら、現実的な反復パターンを保存する新しいトレーニングシーケンスを合成する。
論文 参考訳（メタデータ） (2026-09-21T09:59:10Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - DeCoDrift: Stabilizing Decoder Coupling in Closed-Loop Foundation Segmentation [0.431493144418712]
フィードバックループは、マスクデコーダのクロスアテンションがターゲットオブジェクトとのアライメントを徐々に失い、繰り返しにわたってエラーが蓄積されるような、以前見過ごされた障害モード、デコーダ結合ドリフトを誘導できることを示す。
DeCoDriftは、トレーニング不要な推論時間安定化フレームワークで、更新の速やかな制限とイテレーション間のデコーダ結合の保存を行う。
論文 参考訳（メタデータ） (2026-05-25T11:41:21Z) - Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training [0.4151704012621244]
異種検出器データから再利用可能な表現を学習するための疎ViTフレームワークを提案する。
自己教師付き事前訓練は、マスク付き自己エンコーダ再構築とリレーショナルボクセルレベルの目的を組み合わせる。
プレトレーニングはニュートリノの風味とチャームクォークの識別を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-08T12:52:00Z) - LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。
本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。
実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-09T13:33:49Z) - Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting [6.27761817493579]
時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。
本稿では,線形射影の効率を,畳み込みの非線形特徴抽出力と整合させるアーキテクチャであるACFormerを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:47:54Z) - Recurrent Complex-Weighted Autoencoders for Unsupervised Object Discovery [62.43562856605473]
複雑な重み付き再帰的アーキテクチャの計算上の優位性について論じる。
本稿では,反復的制約満足度を実現する完全畳み込みオートエンコーダSynCxを提案する。
論文 参考訳（メタデータ） (2024-05-27T15:47:03Z) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z)
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。