@techreport{oai:ipsj.ixsq.nii.ac.jp:00235315,
 author = {武田, 直人 and 西村, 康孝 and 山崎, 悠大 and 池田, 和史 and Naoto, Takeda and Yasutaka, Nishimura and Yudai, Yamazaki and Kazushi, Ikeda},
 issue = {14},
 month = {Jul},
 note = {スマートホームに設置した環境センサを用いた居住者の行動認識により，健康モニタリングや異常検知等のサービスを提供できる．居住者やスマートホームごとに生活習慣やセンサ種別が異なるため，行動認識モデルの構築には，居住者本人によるラベリングが必要だが負担が大きい．GPT-4 や Gemini 等の大規模言語モデル（Large Language Models: LLMs）を活用することで，居住者にラベリングを依頼することなく，入居の初期段階からサービスを提供できる可能性がある．本研究では，LLM を用いた行動認識のゼロショット性能を向上させる手法を提案する．具体的には，LLM からゼロショット推定結果だけでなく，推定根拠となったセンサ群の情報を収集し，分類のためのラベリング関数群を自動構築する．さらにラベリング関数に含まれるノイズの影響を低減するために弱教師付き学習の枠組みを利用し推定結果を統合する．7 名の実験参加者によるデータセットを用いた実験の結果，ゼロショット性能よりも平均で 0.40 から 0.51 へと 0.11 の F1 値の向上が確認された．この性能の達成には，従来の方法では，約 40 日間にわたる居住者によるラベリングが必要であった．, Sensor-based activity recognition in smart homes enables applications like health monitoring andanomaly detection. Due to the varying lifestyles of residents and the different sensor types in smart homes, self-labeling is needed to build an activity recognition model, which can be burdensome. By leveraging LLMs such as GPT-4 and Gemini, smart home services can be offered from the start without labeled data. We propose a method to enhance zero-shot activity recognition using LLM. This involves collecting zero-shot estimations and the sensor information underlying them to automatically create labeling functions for classification. We integrate the estimation results using a weak supervision framework to reduce noise. Experiments with data from seven participants showed an average F1 score improvement of 0.11 from 0.40 to 0.51 compared to zero-shot performance. Achieving this performance with traditional methods, which require labeling by the residents, would necessitate about 40 days.},
 title = {大規模言語モデルと弱教師付き学習を利用したゼロショット分類：スマートホームにおける行動認識への適用},
 year = {2024}
}