arXiv · 23.06.2026 ·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.

Разработка моделей HAR часто сталкивается с тем, что данные, собранные в лабораторных условиях, не соответствуют реальным сценариям эксплуатации. Различия в расположении сенсоров на теле, индивидуальные особенности движений пользователей и технические характеристики оборудования создают значительный сдвиг распределения. Это приводит к резкому падению точности при переносе обученной модели на новых пользователей или другие типы устройств.

В представленном исследовании акцент сделан на методах доменной генерализации, которые позволяют моделям извлекать инвариантные признаки, не зависящие от специфики конкретного источника данных. Такой подход снижает необходимость в сборе размеченных данных для каждого нового сценария или пользователя, что является ключевым барьером для масштабирования решений в области носимой электроники и предиктивной аналитики здоровья.

Ключевые факты

Исследование сфокусировано на преодолении сдвига распределения данных (distribution shift) в задачах HAR.
Основными факторами нестабильности моделей названы гетерогенность сенсоров и контекстуальные изменения в реальной среде.
Предложенные методы направлены на улучшение доменной генерализации для повышения точности моделей при смене условий эксплуатации.
Работа подчеркивает критическую важность адаптации алгоритмов к индивидуальным особенностям пользователей и аппаратным различиям устройств.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Исследование: ИИ-агенты для анализа данных с носимых устройств Исследователи представили новый подход к обработке данных с носимых устройств с помощью ИИ-агентов. В статье, опубликованной на arXiv, описывается система WEQA (Wearable hEalth Question Answering), которая использует адаптивное агентное рассуждение для работы с высокоразмерными и непрерывными данными, поступающими от носимых датчиков. arXiv · Машинное обучение Новый подход к устранению предвзятости в моделях машинного обучения Исследователи представили методологию борьбы с предвзятостью в алгоритмах, которая учитывает пересечение нескольких защищаемых атрибутов, таких как раса и гендер. Традиционные методы часто не справляются с ситуациями, когда дискриминация проявляется только при сочетании нескольких факторов, что приводит к снижению точности моделей для определенных групп населения. Основная проблема заключается в нехватке репрезентативных данных для таких подгрупп и отсутствии четких математических метрик для оценки справедливости. Hacker News · Машинное обучение Ограничения обучения на знаниях LLM Исследование указывает на фундаментальную проблему при попытке дообучения моделей на основе их собственных ответов. Авторы анализируют, почему использование синтетических данных, сгенерированных самой нейросетью, часто приводит к деградации качества, а не к улучшению навыков. Основная сложность заключается в том, что модель при дообучении начинает воспроизводить собственные статистические ошибки и галлюцинации, закрепляя их как эталонные знания. arXiv · Машинное обучение Использование неявных сигналов пользователя для дообучения LLM Исследователи представили новый подход к дообучению больших языковых моделей, основанный на анализе неявных действий пользователей. Традиционные методы настройки моделей опираются на явную обратную связь, такую как оценки «нравится» или «не нравится», что требует значительных затрат на сбор данных и встречается крайне редко. Новый метод предлагает использовать для обучения данные о поведении пользователя в интерфейсе, включая движения мыши, траекторию взгляда и время взаимодействия с контентом. arXiv · Исследования и наука Исследование адаптивности диффузионных моделей к низкоразмерным структурам данных Исследователи проанализировали способность диффузионных моделей адаптироваться к скрытым низкоразмерным структурам данных в процессе генерации. Ранее считалось, что эффективность ускорения выборки напрямую зависит от строго заданных коэффициентов в правилах обновления модели. Новая работа ставит под сомнение эту жесткую зависимость, доказывая, что адаптация к структуре данных возможна при более гибком выборе параметров. arXiv · Машинное обучение Оптимизация синтетических данных для обучения компьютерного зрения Исследователи представили метод SmartSDG, направленный на устранение разрыва между синтетическими данными и реальными условиями в задачах компьютерного зрения. Использование сгенерированных изображений позволяет обходить проблему ручной разметки, однако качество моделей часто страдает из-за различий в освещении и сложности фона. Новый подход систематизирует влияние физически корректного непрямого освещения на точность распознавания объектов. arXiv · Машинное обучение Повышение устойчивости диффузионных моделей к зашумленным данным Исследователи предложили новый метод обучения диффузионных моделей, который делает их более устойчивыми к загрязненным обучающим выборкам. Традиционный подход, основанный на минимизации среднеквадратичной ошибки (MSE), часто оказывается чувствительным к выбросам и некачественным данным, что снижает итоговое качество генерации контента. Digiday · ИИ в маркетинге Трансформация медицинского маркетинга в условиях ограничений таргетинга Сектор медицинского маркетинга сталкивается с необходимостью пересмотра стратегий взаимодействия с аудиторией. Из-за ужесточения правил работы с персональными данными и постепенного отказа от сторонних файлов cookie традиционный таргетинг, основанный на идентификации конкретных пользователей, становится менее эффективным. Компании вынуждены переходить к моделям «смешанной идентичности», сочетающим использование собственных данных (first-party data) и контекстуальных сигналов. arXiv · Память и RAG Как улучшить надёжность ИИ-агентов в робототехнике Исследователи из MIT и других ведущих университетов предложили новый подход к улучшению надёжности ИИ-агентов в робототехнике. В своей работе, опубликованной на arXiv, они рассматривают проблему обнаружения аномалий в поведении роботов, управляемых генеративными моделями. Hacker News · Рынок труда и экономика Проблема масштабирования данных для обучения ИИ Аналитики указывают на фундаментальный барьер в развитии современных языковых моделей: нехватку качественных данных для обучения. Попытки компаний, включая Meta (признана экстремистской организацией, деятельность запрещена в РФ), привлекать штатных инженеров для ручной разметки и создания синтетических датасетов не решают проблему масштабируемости. Человеческий труд в этом процессе становится «узким горлышком», которое ограничивает скорость прогресса и делает разработку новых поколений моделей неоправданно дорогой.

← Все материалы