arXiv cs.LGは11月19日(現地時間)、Deepali Singh、Deepesh Parpani、Aviral Guptaらの研究チームが、生体信号エンコーダ「Bio-PM」を用いた合成慣性計測装置 (IMU) データ生成手法を発表した。この手法は、人体活動認識 (HAR) モデルの汎用性向上とデータ拡張に貢献する。特に、被験者間のモデル性能低下や、動的に類似した活動クラスの識別困難といった既存課題の解決策として期待が集まる。
研究チームは、事前学習済みの生体信号エンコーダであるBio-PMの「frozen encoder」を活用し、10秒間のIMUウィンドウをトークン埋め込みシーケンスに変換した。この空間では、クラス条件付きデコーダとして、トークンを順次予測するautoregressive transformer decoderと、ノイズ除去目的でトークン分布を学習するdiffusion decoderの二つが訓練された。
生成されたデータのリアリティは分布指標と埋め込み空間の可視化を通じて分析された。その実用的な有用性は、leave-one-subject-out HAR classificationによって評価されている。diffusion decoderはTrain-on-Synthetic-Test-on-Real (TSTR)マクロF1スコアで0.68を達成し、生成トークンが現実のデータに転送可能な分類器の訓練に十分なリアリティを持つことを実証した。
さらに、合成トークンによるデータ拡張を320次元の重力認識型特徴表現と組み合わせた結果、WISDMベンチマーク上の51の被験者において、実データのみのベースラインと比較して「LOSO」マクロF1スコアが0.729から0.809へと向上した。この向上の統計的有意性は、特に最も困難な活動クラスにおいて顕著であった。これらの結果は、事前学習済みエンコーダの表現空間での高忠実度生成が実現可能であり、被験者間のHAR拡張に実用的に有用であることを示している。
参考: arXiv cs.LG (アーカイブ) — 2026年11月20日 03:56 (JST)