潜在传感器融合：资源受限设备的生理信号多媒体学习-计算机科学-机器学习-多模态感知-潜在空间-数据嵌入.pdf

潜在传感器融合：资源受限设备的生理信号

多媒体学习

AbdullahAhmedJeremyGummeson

amahmed@jgummeso@

UniversityofMassachusettsAmherstUniversityofMassachusettsAmherst

Amherst,MA,USAAmherst,MA,USA

摘要30-July3,2025,Chicago,IL,USA.ACM,NewYork,NY,USA,7pages.

/10.1145/3731715.3733482

潜空间提供了一种有效且高效的手段来总结数据，同

本时通过关系编码隐式地保留元信息。我们利用这些元

译嵌入开发一种模态无关的统一编码器。我们的方法采

中用传感器-潜在融合来分析和关联多模态生理信号。使1介绍

用基于自动编码器的压缩感知方法进行潜空间融合，

1我们解决了资源受限设备上生物信号分析的计算挑战。现代机器学习系统依赖特征提取将原始数据转换为捕

v获语义有意义模式的结构化表示形式[2]。通过将图像

5实验结果表明，我们的统一编码器比特定模态的替代

8或文本等高维输入投影到紧凑嵌入空间中，这些技术

1方案更快、更轻量且更具扩展性，同时不牺牲表示准

4确性。能够高效处理显著特征并过滤噪声[13]。例如，卷积

1神经网络（CNNs）学习层次滤波器以隔离视觉特征如

.

7边缘和纹理[9]，而词嵌入将语言标记映射到编码语义

0CCSConcepts关系的向量中[19]。这些表示形式使数据能够被机器

5

2

:•Computingmethodologies→Knowledgerepre-解释，并支持下游任务如相似性有哪些信誉好的足球投注网站和检索[22]。推荐

v

isentationandreasoning.系统使用嵌入来建模偏好[12]，增强型语言模型采用

x

r密集向量索引进行上下文感知生成[15]。这些应用展

a

Keywords示了如何将嵌入空间作为现代人工智能的计算基础。

深度学习已经大大自动化了特征提取，减少了对

多模态感知；潜在空间；数据嵌入

人工工程的需要。例如，卷积神经网络是端到端训练

ACMReferenceFormat:的，在从医学影像[16]到传感器数据中的异常检测[3]

AbdullahAhmedandJeremyGummeson.2025.潜在传感器融合：等领域中优先考虑任务相关的特征。一个关键的发展

资源受限设备的生理信号多媒体学习.InProceedingsofthe2025