論文の概要: PULSE: Personalized Opportunistic Learning for Wearable Devices
- arxiv url: http://arxiv.org/abs/2610.28081v1
- Date: Tue, 20 Oct 2026 12:00:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.796789
- Title: PULSE: Personalized Opportunistic Learning for Wearable Devices
- Title（参考訳）: PULSE: ウェアラブルデバイスのためのパーソナライズされた機会学習
- Abstract要約: ウェアラブルデバイスは、パーソナライズされた健康と幸福なアプリケーションをサポートする傾向にあるが、デプロイ後のデータは、トレーニングに使用されるものとは大きく異なる可能性がある。
PULSEは、パーソナライズされた学習のためのイベント駆動のフレームワークで、個々の出会いをオンラインのコラボレーション決定として扱い、対話のないか、近くの有望な仲間を選択する。
PULSEは、人間の活動認識、転倒検出、ストレス認識など、人工的および実際の接触トレースの下で、パーソナライズされた分類性能を保ち、また、機会論的モデル平均よりも80～94%削減する。
- 参考スコア（独自算出の注目度）: 1.7779341598691802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wearable devices increasingly support personalized health and well-being applications, but post-deployment data can differ substantially from those used for training, while purely local adaptation may be limited by the data available on a single device during real-world operation. Conventional federated and decentralized learning rely on recurrent communication and stable connectivity, whereas existing opportunistic approaches often exploit available encounters without adequately considering their utility, compatibility, or communication cost. We propose PULSE, an event-driven framework for personalized opportunistic learning that treats each encounter as an online collaboration decision, selecting either no interaction or a promising nearby peer. Peer gradients are incorporated only when compatible with the local learning direction, while past interactions guide future peer selection. Across human activity recognition, fall detection, and stress recognition under synthetic and real contact traces, PULSE preserves or improves personalized classification performance, while reducing peer-assisted exchanges by 80-94% compared with opportunistic model averaging. On-device experiments further demonstrate its feasibility on wearable hardware: peer-assisted operations require limited energy, while the complete implementation occupies 149.8 KiB of RAM and 561.8 KiB of flash. The obtained results show that selective opportunistic collaboration can provide effective personalization while limiting communication and resource demands on constrained wearable devices.
- Abstract（参考訳）: ウェアラブルデバイスは、パーソナライズされた健康と幸福なアプリケーションをサポートする傾向にあるが、デプロイ後のデータはトレーニングで使用されるものと大きく異なる場合がある。
従来のフェデレーションと分散学習は、繰り返し通信と安定した接続に依存しているのに対して、既存の機会論的アプローチは、有用性、互換性、通信コストを適切に考慮せずに、利用可能な遭遇をうまく利用している。
PULSEはパーソナライズされたパーソナライズされた機会学習のためのイベント駆動型フレームワークで、各出会いをオンラインのコラボレーション決定として扱い、対話や近くの有望なピアを選択する。
ピア勾配は局所的な学習方向と互換性がある場合にのみ組み込まれ、過去の相互作用は将来のピア選択を導く。
PULSEは、人間の活動認識、転倒検出、ストレス認識など、人工的および実際の接触トレースの下で、パーソナライズされた分類性能を保ち、また、機会論的モデル平均よりも80～94%削減する。
ピアアシスト操作は限られたエネルギーを必要とするが、完全な実装はRAMが129.8 KiB、フラッシュが561.8 KiBである。
以上の結果から,制約されたウェアラブルデバイス上でのコミュニケーションやリソース要求を抑えながら,選択的機会的協調が効果的なパーソナライズを実現する可能性が示唆された。
関連論文リスト
- Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。
本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:20:05Z) - Safeguarding Privacy: Privacy-Preserving Detection of Mind Wandering and Disengagement Using Federated Learning in Online Education [53.25191965774678]
遠隔学習における行動・認知障害の相違に対処するために,デバイス間フェデレーション学習を利用したフレームワークを提案する。
顔の表情と視線特徴を用いた映像ベース認知解離検出モデルに適合する。
以上の結果から,学習者のエンゲージメントを促進するプライバシー保護教育技術への大きな期待が示された。
論文 参考訳（メタデータ） (2026-02-10T15:40:01Z) - Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Multimodal Fusion with LLMs for Engagement Prediction in Natural Conversation [70.52558242336988]
我々は,不関心や混乱の兆候を検出することを目的として,言語的および非言語的手がかりを精査することにより,ダイアディック的相互作用における係り合いを予測することに焦点を当てた。
本研究では,カジュアルなダイアディック会話に携わる34人の参加者を対象に,各会話の最後に自己報告されたエンゲージメント評価を行うデータセットを収集する。
大規模言語モデル(LLMs)を用いた新たな融合戦略を導入し,複数行動モダリティをマルチモーダル・トランスクリプトに統合する。
論文 参考訳（メタデータ） (2024-09-13T18:28:12Z) - Private Data Leakage in Federated Human Activity Recognition for Wearable Healthcare Devices [6.422056036165425]
複数のウェアラブルデバイスにまたがるフェデレーションされたユーザ行動認識モデルにおけるプライバシー漏洩問題について検討する。
提案システムでは,N$のウェアラブルデバイスユーザとパラメータサーバで構成されるフェデレーション学習アーキテクチャを提案する。
5つの公開HARデータセットで実施された実験では、悪意のあるサーバベースのメンバシップ推論の精度が92%であることが示されている。
論文 参考訳（メタデータ） (2024-05-14T07:43:22Z) - Distributed Agent-Based Collaborative Learning in Cross-Individual
Wearable Sensor-Based Human Activity Recognition [0.0]
本稿では,マルチエージェントの原則に根ざした協調型分散学習手法を提案する。
提案手法では,各個人が保持する活動監視データのプライバシだけでなく,従来の集中型モデルの限界を克服する可能性も示している。
論文 参考訳（メタデータ） (2023-11-06T12:45:45Z) - "You Can't Fix What You Can't Measure": Privately Measuring Demographic
Performance Disparities in Federated Learning [78.70083858195906]
グループメンバーシップのプライバシを保護しつつ,グループ間でのパフォーマンスの差異を測定するための,差分プライベートなメカニズムを提案する。
我々の結果は、以前の研究の示唆に反して、プライバシ保護は必ずしもフェデレーションモデルの性能格差の特定と矛盾しているわけではないことを示している。
論文 参考訳（メタデータ） (2022-06-24T09:46:43Z) - Accelerating Federated Edge Learning via Optimized Probabilistic Device
Scheduling [57.271494741212166]
本稿では,通信時間最小化問題を定式化し,解決する。
最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。
提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
論文 参考訳（メタデータ） (2021-07-24T11:39:17Z) - Opportunistic Federated Learning: An Exploration of Egocentric
Collaboration for Pervasive Computing Applications [20.61034787249924]
我々は、異なるユーザに属する個々のデバイスが堅牢なモデルを学ぶための新しいアプローチ、機会論的フェデレーションラーニングを定義する。
本稿では,このようなアプローチの実現可能性と限界を考察し,出会い型ペアワイド協調学習を支援する枠組みを策定する。
論文 参考訳（メタデータ） (2021-03-24T15:30:21Z) - Offline Learning for Planning: A Summary [0.0]
自律的なエージェントの訓練は、しばしば、環境との高価で安全でない試行錯誤の相互作用を必要とする。
さまざまなタスクを実行するインテリジェントエージェントの記録された経験を含むデータセットは、インターネット上でアクセス可能である。
本稿では,最先端のオフライン学習ベースラインの開発を動機とするアイデアを要約する。
論文 参考訳（メタデータ） (2020-10-05T11:41:11Z)
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。