通过基于事件的上下文与置信度提升零样本 ADL 识别中的大语言模型性能
计算机视觉与模式识别
2026-01-14 v1 分布式、并行与集群计算
摘要
基于无接触传感器在智能家庭中对日常活动 (ADL) 的识别，通过处理来自物联网感知设备收集的数据，支持医疗、安全和能源管理等应用。最近基于大语言模型 (LLM) 的零样本方法具有消除对标记 ADL 传感器数据依赖的优势。然而，现有方法依赖基于时间的分段，这与大语言模型的上下文推理能力不符。此外，现有方法缺乏预测置信度估计的方法。本文提出通过基于事件的分段和一种新颖的置信度估计方法来提高零样本 ADL 识别。我们的实验评估表明，基于事件的分段在复杂现实数据集上 consistently 优于基于时间的 LLM 方法，并甚至超过受监督数据驱动的方法，尽管使用的是相对较小的 LLM（例如 Gemma 3 27B）。 proposed 置信度 measure 有效区分正确与错误的预测。
引用
@article{arxiv.2601.08241,
title = {Improving Zero-shot ADL Recognition with Large Language Models through Event-based Context and Confidence},
author = {Michele Fiori and Gabriele Civitarese and Marco Colussi and Claudio Bettini},
journal= {arXiv preprint arXiv:2601.08241},
year = {2026}
}