論文の概要: Subject-Held-Out Evaluation of Deep Ground Reaction Force Estimators Across Two Laboratories: Leakage and Cross-Laboratory Transfer
- arxiv url: http://arxiv.org/abs/2611.15966v1
- Date: Wed, 11 Nov 2026 20:05:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.267585
- Title: Subject-Held-Out Evaluation of Deep Ground Reaction Force Estimators Across Two Laboratories: Leakage and Cross-Laboratory Transfer
- Title(参考訳): 深部地盤反応力推定装置の2つの実験室における主観評価 -漏れとクロスラボラトリー移動-
- Abstract要約: 地中反応力を推定する深層ネットワークは、1つの実験室、ほとんど定式化されていない座標フレーム、時には試行レベルの分割で検証される。
我々は、それぞれの練習費と、そのようなモデルが実験室間で転送されるかどうかを測定した。
- 参考スコア(独自算出の注目度): 12.77479923213221
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep networks that estimate ground reaction forces and centers of pressure from motion-capture markers are validated within one laboratory, in a seldom-stated coordinate frame, and sometimes with trial-level splits that put the same person in the training and the test set. We measured what each practice costs, and whether such models transfer between laboratories. Three sequence models (convolutional, convolutional-recurrent, and convolutional-transformer) were evaluated on two independent datasets, locomotion (6 subjects) and occupational patient handling (10 subjects), under one pipeline, one tuning procedure, three seeds, and four protocols: trial-level split, leave-one-subject-out, pooled two-laboratory training with matched held-out subjects, and cross-laboratory transfer. At a fixed configuration, trial-level splits overstated the subject-held-out coefficient of determination by +0.040 to +0.194; on occupational data the overstatement exceeded every difference between architectures. With subjects held out, the three models reached values between 0.583 and 0.804; the leader differed between datasets, and gaps lay within subject-to-subject variability. Pooling the laboratories changed neither dataset on matched subjects. Transfer between laboratories was below chance in both directions, including the vertical force, which no in-plane rotation can affect. Leaving force targets in the plate frame while inputs were heading-aligned cost 0.57 of locomotion anteroposterior-force explained variance, enough to make that force look hardest; a Newton's-law correlation detected the mismatch before training. Split protocol and target frame changed reported accuracy more than architecture did. Learned force estimators should be validated with subjects held out, checked for frame consistency before training, and tested across laboratories before deployment claims are made.
- Abstract(参考訳): モーションキャプチャーマーカーからの地表面反応力と圧力の中心を推定するディープネットワークは、1つの実験室内で、まれに計算された座標フレーム内で検証され、時には同じ人物をトレーニングとテストセットに配置するトライアルレベルの分割によって検証される。
我々は、それぞれの練習費と、そのようなモデルが実験室間で転送されるかどうかを測定した。
3つのシーケンスモデル (畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 畳み込み, 組込み, 組込み, 交叉移動の2つの独立したデータセットで評価した。
定式化では, 主観的決定係数を+0.040から+0.194に超過した。
3つのモデルが0.583から0.804に到達した。
実験室のポーリングでは、一致した被験者のデータセットは変更されなかった。
実験室間の移動は、垂直力を含む両方向の速度よりも低かったが、機内回転は影響を受けなかった。
入力が方向合わせのコスト 0.57 の移動後フォースが分散を説明できる程度に説明し、その力が最も難しいように見え、ニュートンの法則の相関関係が訓練前にミスマッチを検出した。
分割プロトコルとターゲットフレームは、アーキテクチャよりも正確性を報告した。
学習された力推定器は、被験者が保持し、トレーニング前にフレームの一貫性を確認し、デプロイのクレームが作成される前に実験室間でテストすることで検証されるべきである。
関連論文リスト
- Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。
14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。
3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
論文 参考訳(メタデータ) (2026-10-13T01:52:19Z) - NV-Tesseract-AD: Curriculum-Enhanced Conditional Diffusion for Multivariate Time-Series Anomaly Detection [1.6318664635266247]
異常検出のための条件拡散フレームワークNV-Tesseract-ADを提案する。
本研究では,Transformerベースの拡散バックボーンと3段階の2つのカリキュラムを統合する。
両軸に沿ってより簡単なタスクからより難しいタスクへのトレーニングが同時に最適化を安定化し、残差識別性を向上させることを示す。
論文 参考訳(メタデータ) (2026-10-08T22:06:40Z) - Cross-Anatomy Transfer Versus Sparse Interpolation in Digital-Twin-Oriented Aortic Fluid-Structure Interaction Surrogates [0.0]
流体間イオン(FSI)に対する代理的信頼性は、既に採取された表面から独立した解剖学間での移動を区別する必要がある。
血管モデルリポジトリから同定された4つのヒト大動脈モデルが再構成された。
しかし、この4つの解剖学的コホートは、クロス解剖学が直接構造を超えて価値を付加する証拠を示さない。
論文 参考訳(メタデータ) (2026-09-14T20:37:45Z) - Accountable and uncertainty-aware evaluation of sensor-based AI under distribution shift: devices, subjects, and nearly three years underground [0.0]
センサーベースのAIシステムは、訓練された条件下ではめったに運用されない。
本稿では,デプロイされたモデルの評価を計測として扱う段階的,説明可能な評価プロトコルを提案する。
論文 参考訳(メタデータ) (2026-09-08T15:49:33Z) - Neuroevolution Arena: Nested Ecological Evaluation of Update-and-Inheritance Regimes across Neural Architectures [3.3057428360943013]
競争力のある人工生命システムは、訓練と生態学的評価の下で訓練されたコントローラーを異なるランク付けすることができる。
神経進化アリーナ(Neuroevolution Arena)は、独立にパラメータ化された神経ネットワーク細胞のGPU加速空間生態学である。
評価コンテキストからトレーニング実行アーティファクトを分離するネストされたプロトコルをコントリビュートする。
論文 参考訳(メタデータ) (2026-08-10T23:48:18Z) - Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction [3.0602131532925436]
近年の手法は, 生成複雑性の増大に向かっているが, この複雑さが要求される条件はいまだ不明である。
生成複雑性は予測可能なタスクの条件付き後続成分のエントロピーと一致し,全てのレシスタンスでトレーニング・推論入力アライメントが要求される。
我々は,この枠組みを5つの構成を対比して,立方体自己蛍光データセット上で検証した。
論文 参考訳(メタデータ) (2026-04-18T10:28:00Z) - Diffusion Bridge or Flow Matching? A Unifying Framework and Comparative Analysis [57.614436689939986]
拡散ブリッジとフローマッチングは、任意の分布間の変換において魅力的な経験的性能を示した。
我々は,これらのフレームワークを最適制御のレンズを通して再キャストし,拡散橋のコスト関数が低いことを証明した。
これらの理論的主張を裏付けるために,潜伏変圧器上に構築された拡散橋の新しい強力なアーキテクチャを提案する。
論文 参考訳(メタデータ) (2025-09-29T09:45:22Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳(メタデータ) (2025-03-21T18:06:28Z) - Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-03-14T14:23:23Z) - Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and
Motion Estimation [49.56131393810713]
本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。
本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
論文 参考訳(メタデータ) (2023-06-08T22:55:32Z)
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。