摘要： 本文介绍了一种名为LSM-2的模型，该模型用于处理可穿戴设备数据。研究使用了从2024年3月至5月期间超过60,000名参与者中收集的4000万小时的可穿戴数据集，并确保了数据匿名化以保护隐私。LSM-2通过AIM SSL技术进行预训练，该技术能够理解自然缺失的数据并填充人工掩码的数据。为了评估预训练模型，研究人员定义了一系列下游任务，包括用户标注的活动（如跑步、滑雪等）和自我报告的高血压和焦虑诊断。这些数据被分为微调和评估集，确保每个个体的数据只在一个集中。LSM-2的生成能力通过随机填充、时间插值、时间外推和传感器填充等任务进行评估。此外，通过线性探针在高血压分类、焦虑分类和20类活动识别等任务中评估LSM-2嵌入的有效性。最后，通过年龄和BMI回归任务评估LSM-2在生理建模方面的能力。
讨论：
原文标题：LSM-2: Learning from incomplete wearable sensor data
原文链接：https://research.google/blog/lsm-2-learning-from-incomplete-wearable-sensor-data/
讨论链接：https://news.ycombinator.com/item?id=44651142