論文の概要: Timing-Aware and Interpretable Self-Attention for Event-Based Wearable Task Transition Detection

• arxiv url: http://arxiv.org/abs/2610.27549v1
• Date: Tue, 20 Oct 2026 03:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.597691
• Title: Timing-Aware and Interpretable Self-Attention for Event-Based Wearable Task Transition Detection
• Title（参考訳）: イベントベースウェアラブルタスク遷移検出のためのタイミング認識と解釈型自己認識
• Abstract要約: タスク遷移検出は、あるタスクから別のタスクへいつ移行するかを特定することを目的としている。 イベントベースの機能は、振る舞いパターンを明示的な意味を持つ離散トークンとしてエンコードすることで、コンパクトで解釈可能な代替手段を提供する。 本研究は、行動信号を表すイベントベースの自己認識フレームワークを、時間スタンプと持続時間で拡張した離散事象のシーケンスとして提案する。
• 参考スコア（独自算出の注目度）: 6.946591466081823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task transition detection aims to identify when a person shifts from one task to another, providing a foundation for continuous health monitoring and timely context-aware interventions. While statistical and deep feature representations have demonstrated strong classification performance, they often rely on aggregated or latent features that are difficult to interpret in behavioural terms. Event-based features provide a compact and interpretable alternative by encoding behavioural and physiological patterns as discrete tokens with explicit semantic meaning, making them well suited for behavioural analysis in health informatics. Self-attention offers a mechanism for modelling interactions among such tokens; however, conventional self-attention classifiers primarily rely on token order and do not explicitly incorporate timing or duration information. As a result, informative temporal cues in event representations may not be fully exploited for task transition detection. This study proposes an event-based time-aware self-attention framework that represents behavioural signals as sequences of discrete events augmented with onset timestamps and durations. Event timing is encoded using a parameter-efficient kernel-based representation, while a novel type-aware duration embedding modulates information propagation according to event persistence. Experiments on a semi-naturalistic wearable dataset show that the proposed model outperforms existing event-based approaches, achieves performance beyond or comparable with statistical and deep-learning models with a more compact input representation, and provides improved interpretability through integrated-gradient-based analysis. These results indicate that explicit modelling of event timing and duration enhances both classification performance and interpretability, supporting reliable deployment in biomedical and health informatics applications.
• Abstract（参考訳）: タスク遷移検出は、あるタスクから別のタスクへいつ移行するかを識別することを目的としており、継続的な健康モニタリングとタイムリーなコンテキスト対応の介入の基礎を提供する。 統計的・深い特徴表現は強い分類性能を示しているが、それらはしばしば行動的用語で解釈するのが難しい集約的・潜伏的な特徴に依存している。 イベントベースの特徴は、行動パターンと生理パターンを明示的な意味を持つ離散トークンとして符号化することで、コンパクトで解釈可能な代替手段を提供する。 自己認識は、これらのトークン間の相互作用をモデル化するメカニズムを提供するが、従来の自己認識分類器は主にトークンの順序に依存しており、タイミングや時間情報を明示的に組み込むことはない。 その結果、イベント表現における情報的時間的手がかりは、タスク遷移検出に完全に活用できない。 本研究では,事象を時間スタンプと持続時間で拡張した離散事象のシーケンスとして,行動信号を表すイベントベースの自己認識フレームワークを提案する。 イベントタイミングは、パラメータ効率のよいカーネルベースの表現を使用して符号化され、新しい型認識時間埋め込みは、イベント永続性に応じて情報伝達を変調する。 半自然的ウェアラブルデータセットの実験では、提案モデルは既存のイベントベースアプローチよりも優れており、よりコンパクトな入力表現を持つ統計的およびディープラーニングモデルに匹敵する性能を達成し、統合漸進的分析による解釈性の向上を提供する。 これらの結果は,事象のタイミングと持続時間を明確にモデル化することで,分類性能と解釈可能性の両方が向上し,バイオメディカルおよび健康情報学応用における信頼性の高い展開を支援することを示唆している。

関連論文リスト

• Efficient Multi-Timescale Event Representations for Feed-Forward Object Detection [4.654827623279545]
  イベントカメラでは、オブジェクト検出は通常、時間とともにわずかな時間情報を蓄積するために、繰り返しアーキテクチャに依存する。 対数的B-スプライン時間符号化に基づく信頼度正規化連続マルチスケール表現を提案する。 提案した表現は、PEDRoおよびGen1データセット上のコンパクトなCSTR表現よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-09-04T12:12:26Z)
• Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning [2.7644691581661287]
  本稿では,高複雑性イベント駆動システムにおける時間構造推論のベンチマークであるTRACTAを紹介する。 ベンチマークには、 early_warning、 pattern_detection、run_classificationの3つのタスクが含まれている。 結果から, 生の事象レベルの学習は依然として有意であるが, 意味的能力に対する時間的モデリングは, 最高集合点推定を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-07-24T14:50:19Z)
• Feature-aware Modulation for Learning from Temporal Tabular Data [47.36022303401642]
  時間分布シフトは、現実世界のデプロイメントにおいて大きな課題となる。 静的モデルは一般化を保証する固定写像を仮定するが、適応モデルは過渡パターンに過度に適合する。 本稿では,時間的文脈における特徴表現を特徴付ける特徴認識型時間変調機構を提案する。
  論文  参考訳（メタデータ） (2025-12-03T11:13:12Z)
• Learning Temporal Saliency for Time Series Forecasting with Cross-Scale Attention [5.992220383989106]
  パッチベースのクロスアテンション機構とマルチスケール処理を組み合わせた,革新的なアーキテクチャであるCrossScaleNetを提案する。 本評価は,時間的塩分濃度検出と予測精度の両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2025-09-26T18:43:51Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Robust Multi-Modal Forecasting: Integrating Static and Dynamic Features [0.0]
  時系列予測は様々な応用、特に医療において重要な役割を担っている。 これらのタスクに責任を負うモデルの透明性と説明可能性を保証することは、重要な設定で採用するために不可欠である。 最近の研究は、予測時系列の傾向と特性を理解することに焦点を当てた、双方向透明性に対するトップダウンアプローチを探求している。
  論文  参考訳（メタデータ） (2025-05-21T04:12:12Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)

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。