ИССЛЕДОВАНИЕ · RESEARCH · #1239
Обучение не требуется — но Jev значительно уступает обученным моделям в HAR на акселерометре
Статья (arXiv:2609.36154v1) оценивает Jev — фиксированную общую вероятностную модель решений без меток и дообучения — на 1 800 балансированных окон акселерометра из WISDM, UCI341 и PAMAP2. Лучшее детерминированное представление дало макро-F1 0.038, 0.118 и 0.089 соответственно, тогда как три обученных HAR-модели показали 0.686–0.907; добавление числовых признаков ухудшало распознавание, семантическая сериализация частично восстанавливала результаты, а вероятности Jev были ненадёжно калиброваны.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья (arXiv:2609.36154v1) оценивает Jev — фиксированную общую вероятностную модель решений без меток и дообучения — на 1 800 балансированных окон акселерометра из WISDM, UCI341 и PAMAP2.
- Лучшее детерминированное представление дало макро-F1 0.038, 0.118 и 0.089 соответственно, тогда как три обученных HAR-модели показали 0.686–0.907; добавление числовых признаков ухудшало распознавание, семантическая сериализация частично восстанавливала результаты, а вероятности Jev были ненадёжно калиброваны.
- Это демонстрирует, что беспоисковые (zero-shot) решения для сенсоров могут существенно уступать обученным моделям и что способ представления сигнала влияет на способность общей модели использовать содержащуюся информацию.
ПОЧЕМУ ЭТО ВАЖНО
Это демонстрирует, что беспоисковые (zero-shot) решения для сенсоров могут существенно уступать обученным моделям и что способ представления сигнала влияет на способность общей модели использовать содержащуюся информацию.