基于大语言模型的少样本传感器数据优化：疲劳检测案例研究
计算与语言
2025-06-02 v1 人工智能
机器学习
摘要
本文提出一种新颖的少样本优化方法HED-LM（Hybrid Euclidean Distance with Large Language Models），以提高传感器基分类任务中示例选择的质量。虽然少样本提示可通过有限标注数据实现高效推理，但其性能很大程度上取决于所选示例的质量。HED-LM通过一种混合选择流程解决这一挑战：首先基于欧几里得距离过滤候选示例，然后利用大语言模型（LLM）计算的上下文相关性对其进行重新排序。为验证其有效性，我们将HED-LM应用于疲劳检测任务，该任务使用加速度计数据，特征为重叠模式和较高的跨主体变异性。与简单的活动识别不同，疲劳检测需要更细致的示例选择，因为生理信号之间存在细微差异。我们的实验表明，HED-LM在均值宏F1分数上达到69.13±10.71%，显著优于随机选择（59.30±10.13%）和仅基于距离的筛选（67.61±11.39%），分别实现了约16.6%和2.3%的相对提升。结果表明，结合数值相似性与上下文相关性可提高少样本提示的鲁棒性。总体而言，HED-LM为提升实际场景中传感器数据学习任务的性能提供了实用方案，并在健康监测、人体活动识别和工业安全等领域展现广阔的应用前景。
引用
@article{arxiv.2505.18754,
title = {Few-Shot Optimization for Sensor Data Using Large Language Models: A Case Study on Fatigue Detection},
author = {Elsen Ronando and Sozo Inoue},
journal= {arXiv preprint arXiv:2505.18754},
year = {2025}
}
备注
43 pages, 18 figures. Accepted for publication in MDPI Sensors (2025). Final version before journal publication