何が起きたか

研究チームは、ウェアラブルマルチモーダルセンサーを用いた人間行動認識（HAR）において、事前学習データ量とTransformerアーキテクチャの両方に対する網羅的なグリッドサーチを実施し、HAR分野で初めてのスケーリング則を確立したと発表した。この研究は、arXivに2025年2月5日に公開された論文「Scaling laws in wearable human activity recognition」で報告されている。

詳細

スケーリング則は、言語や視覚の分野では確立されているが、HARでは未確立だった。研究チームは、事前学習データ量とパラメータ数の両方を変化させて実験を行い、事前学習損失がデータ量とパラメータ数に対してべき乗則でスケールすることを示した。さらに、データセット内のユーザー数を増やすことが、1ユーザーあたりのデータ量を増やすよりも性能向上に効果的であることを発見した。これは、事前学習データの多様性が重要であることを示しており、自己教師ありHARにおける従来の報告とは対照的であるとしている。 これらのスケーリング則は、姿勢、移動様式、日常生活活動の3つのHARベンチマークデータセット（UCI HAR、WISDM Phone、WISDM Watch）における下流タスクの性能向上に反映されることを示した。研究チームは、これらのスケーリング則を踏まえると、以前に発表されたいくつかの研究は、より適切なモデル容量で再検討されるべきだと提案している。

Key Facts

研究チームは、ウェアラブルHARにおいて初のスケーリング則を確立したと発表（arXiv、2025年2月5日公開）[1]
事前学習データ量とパラメータ数に対して、事前学習損失がべき乗則でスケールすることを示した[1]
データセット内のユーザー数を増やすことが、1ユーザーあたりのデータ量を増やすよりも性能向上に効果的であると判明[1]
この発見は、自己教師ありHARにおける従来の報告とは対照的であるとしている[1]
スケーリング則は、UCI HAR、WISDM Phone、WISDM Watchの3つのベンチマークデータセットで下流性能の向上に反映された[1]
研究チームは、以前の研究はより適切なモデル容量で再検討されるべきだと提案[1]

なぜ重要か

この研究は、HAR分野におけるモデル設計とデータ収集の原理的な指針を提供する。データ多様性の重要性を定量的に示したことで、今後のHAR研究の方向性に影響を与える可能性がある。