CHEAR提出混淆层级证据感知推理降低活动识别LLM成本

Xiangqing Lu、Tao Zhu、Mingxing Nie和Liming Chen在arXiv论文中提出CHEAR（混淆层级证据感知推理）框架，将部分知识组织移到离线完成，用于降低基于LLM与RAG的可穿戴传感器人体活动识别的在线推理成本。 论文称，在八个数据集上，CHEAR取得86.79%平均跨被试准确率、75.91%候选削减率和96.44%真实活动保留率。以上为论文摘要声称的结果，属研究阶段，尚无独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。