SlotFM、加速度計向け基盤モデルを発表 多様な下流タスクで平均4.5%の性能向上

何が起きたか

研究者らは、加速度計データの多様な下流タスクに対応する基盤モデル「SlotFM」を発表した。SlotFMは、時間周波数スロットアテンションを採用し、生信号の時間表現と周波数表現の両方を処理する。評価では、標準的な人間活動認識を超える16の分類・回帰タスクで、既存の自己教師あり手法のうち13タスクで優位、残りのタスクで同等の結果を示し、平均4.5%の性能向上を達成した。

詳細

SlotFMは、時系列データの多様な特性を捉えるため、Slot Attentionを拡張したTime-Frequency Slot Attentionを導入している。この手法は、生信号の時間表現と周波数表現を処理し、複数の小さな埋め込み（スロット）を生成する。各スロットは異なる信号成分を捉え、タスク固有のヘッドがデータの関連部分に焦点を当てることを可能にする。 さらに、局所構造と周波数パターンを捉える2つの損失正則化を導入し、細かい詳細の再構成を改善し、埋め込みがタスク関連情報を保持するのに役立てている。評価は、標準的な人間活動認識を超える16の分類・回帰タスクで行われ、既存の自己教師あり手法と比較して、13タスクで優位、残りのタスクで同等の結果を示した。平均で4.5%の性能向上を達成し、センシング基盤モデルの強力な汎化を示している。

Key Facts

なぜ重要か

SlotFMは、加速度計データの基盤モデルとして、従来の活動認識に限定されない多様なタスクへの適用可能性を示した。これにより、ジェスチャ認識や歩行分析、スポーツモニタリングなど、幅広い応用分野での基盤モデルの活用が進むと期待される。