MarkTechPost · 10.07.2026 ·Исследования и наука

Google представила SensorFM: фундаментальную модель для анализа данных с носимых устройств

Исследователи Google и DeepMind представили SensorFM — специализированную фундаментальную модель, обученную на одном триллионе минут неразмеченных данных с носимых датчиков. Архитектура модели базируется на 1D-варианте Vision Transformer (ViT) с использованием механизма маскированного автокодировщика, что позволяет эффективно извлекать паттерны из непрерывных сигналов здоровья 5 миллионов пользователей, давших согласие на использование данных.

Разработка направлена на решение проблемы нехватки размеченных данных в сфере цифрового здравоохранения. Традиционные методы анализа биометрических сигналов часто требуют трудоемкой ручной разметки, тогда как SensorFM использует подход самообучения на огромных массивах неструктурированной информации. Это позволяет модели выявлять сложные корреляции в показателях сердечного ритма, активности и сна, которые ранее оставались незамеченными при использовании классических алгоритмов обработки сигналов.

В ходе исследования авторы проверили гипотезу совместного масштабирования (co-scaling), протестировав четыре различных размера модели на четырех разных объемах данных. Результаты подтвердили, что увеличение вычислительных мощностей и объема входных сигналов напрямую коррелирует с точностью предсказаний, что делает SensorFM перспективной базой для создания систем предиктивной диагностики и персонализированного мониторинга состояния здоровья в реальном времени.

Ключевые факты

Модель обучена на 1 000 000 000 000 минут (один триллион) данных с датчиков.
В выборку вошли обезличенные данные 5 000 000 участников, предоставивших согласие.
Архитектурная основа — 1D-вариант Vision Transformer (ViT) с маскированным автокодировщиком.
Исследование охватывает тестирование четырех масштабов модели и четырех уровней объема данных для оценки эффективности обучения.

Источник: MarkTechPost

Обсудить с ИИ

Похожие материалы

The latest research from Google · Исследования и наука Google представила SensorFM: универсальную модель для анализа данных с носимых устройств Исследователи Google разработали SensorFM — специализированную модель, способную интерпретировать разнообразные сигналы с носимых устройств, включая данные пульса, активности и сна. Система использует генеративный подход для анализа временных рядов, что позволяет ИИ эффективно извлекать медицинские инсайты из «сырых» показаний датчиков, обеспечивая более точный мониторинг состояния здоровья пользователей в режиме реального времени. Hacker News · Машинное обучение Google представила TabFM: фундаментальную модель для табличных данных Google Research выпустила TabFM — первую фундаментальную модель, способную работать с табличными данными в режиме zero-shot. Архитектура модели основана на трансформерах и позволяет выполнять задачи классификации и регрессии без необходимости предварительного обучения на конкретном наборе данных. Это решение значительно упрощает обработку структурированной информации, автоматизируя построение предиктивных моделей для широкого спектра бизнес-задач. MarkTechPost · Машинное обучение Google представила TabFM: фундаментальную модель для работы с табличными данными Google Research анонсировала TabFM — новую фундаментальную модель, предназначенную для обработки табличных данных. Система использует механизм гибридного внимания для выполнения задач классификации и регрессии в режиме zero-shot. Модель способна делать предсказания за один проход, исключая необходимость в дообучении под конкретные наборы данных, настройке гиперпараметров или сложной подготовке признаков. The latest research from Google · Машинное обучение Google представила TabFM: foundation-модель для работы с табличными данными Google Research анонсировала TabFM — новую foundation-модель, предназначенную для анализа табличных данных в режиме zero-shot. Архитектура модели основана на трансформерах и обучена на огромных массивах таблиц, что позволяет ей эффективно выполнять задачи классификации и регрессии без необходимости дообучения на конкретных наборах данных, превосходя традиционные методы градиентного бустинга в ряде сценариев. Hacker News · Исследования и наука Глубокое обучение выявило новый ЭКГ-биомаркер внезапной сердечной смерти Исследователи применили методы глубокого обучения для анализа данных электрокардиограмм, что позволило обнаружить новый биомаркер, предсказывающий риск внезапной сердечной смерти. Модель анализирует тонкие паттерны в электрической активности сердца, которые остаются незаметными для традиционных методов диагностики, открывая новые возможности для раннего выявления пациентов из групп высокого риска и превентивной терапии сердечно-сосудистых заболеваний. Hacker News · ИИ в бизнесе ИИ-алгоритм для выявления риска внезапной сердечной смерти Исследователи из Калифорнийского университета в Беркли разработали модель машинного обучения, способную выявлять скрытые признаки риска внезапной сердечной смерти. Анализируя данные ЭКГ, система обнаруживает аномалии, которые остаются незамеченными при стандартной клинической диагностике. Это решение открывает новые возможности для превентивной кардиологии и автоматизации анализа медицинских показателей пациентов в режиме реального времени. Hacker News · Исследования и наука Законы масштабирования LLM применимы к данным с датчиков Исследователи Empirical Health подтвердили, что эмпирические законы масштабирования, характерные для больших языковых моделей, работают и для данных с носимых устройств. Увеличение вычислительных мощностей, объема обучающей выборки и количества параметров модели приводит к предсказуемому росту точности при анализе биометрических показателей, что открывает новые возможности для предиктивной медицины и анализа временных рядов. arXiv · Машинное обучение Федеративное обучение для прогнозирования сердечно-сосудистых заболеваний Исследователи представили метод федеративного глубокого обучения для оценки рисков сердечно-сосудистых заболеваний, позволяющий создавать точные предиктивные модели без передачи конфиденциальных данных пациентов между медицинскими учреждениями. Подход решает проблему фрагментации данных в здравоохранении, обеспечивая обучение нейросетей на распределенных локальных наборах данных при соблюдении строгих протоколов приватности и регуляторных требований. arXiv · Машинное обучение Проблема доменной адаптации в системах распознавания активности человека Исследователи проанализировали проблему сдвига распределения данных в системах распознавания активности человека (HAR). Основная сложность при внедрении таких моделей в реальные условия заключается в гетерогенности датчиков и вариативности контекста. Авторы работы предлагают методы повышения устойчивости алгоритмов к изменениям доменов, что критически важно для надежной работы носимых устройств и систем мониторинга в неконтролируемой среде. Hacker News · Модели и релизы Представлена MFM: новая фундаментальная модель для анализа движения Исследователи представили MFM (Motion Foundation Model) — специализированную нейросетевую архитектуру, основанную на методе PINN (Physics-Informed Neural Networks). Модель предназначена для моделирования и анализа динамических процессов, объединяя возможности глубокого обучения с физическими законами. Релиз включает веса модели и документацию, позволяя использовать её для задач прогнозирования траекторий и анализа сложных движений в различных средах.

← Все материалы