arXiv cs.AI· Xiangqing Lu, Tao Zhu, Liang Yu, Shuangjian Li, Lulu Ban, Furong Duan, Mingxing Nie, Liming Chen, Yaping Wan·· 3 天前AI 评分20
OntoAR-HAR：本体引导的智能体 RAG 结合个性化记忆用于人类活动识别
OntoAR-HAR: Ontology-Guided Agentic RAG with Personalized Memory for Human Activity Recognition
AI 导读
OntoAR-HAR 是一个本体引导的智能体 RAG 框架，结合静态群体知识与个性化记忆，用于基于传感器的人类活动识别。其树状活动本体将分类分解为语义相关活动间的局部决策，静态库提供节点约束示例，离线发现的可执行信号特征提供数值证据，推理时个性化库收集用户观测数据。跨被试与异构传感实验显示，分层检索与个性化记忆在多个 LLM 主干上带来互补增益，达到 SOTA 性能。
正文 · AI 翻译
摘要：LLM 越来越多地通过将运动信号与活动语义和物理知识相关联来支持基于传感器的人体活动识别（HAR）。检索增强生成（RAG）将决策建立在传感器示例和领域特征之上，从而实现无需训练的目标用户推理，并减少对原始数值数组的依赖。然而，现有的基于 LLM/RAG 的 HAR 通常使用静态群体知识搜索单层活动空间。因此，它们使用相同的静态群体证据比较许多不相关的候选，并忽略了个性化的运动模式。我们提出 OntoAR-HAR，一个本体引导的智能体 RAG 框架，结合了静态群体知识和个性化知识。其树状结构活动本体将分类分解为语义相关活动之间的局部决策。静态存储提供节点约束的示例，而离线发现的可执行信号特征为局部区分提供数值证据。在推理过程中，个性化存储收集选定的用户观测，LLM 在遍历本体到活动标签时将其与静态知识和信号特征整合。跨受试者和异构传感实验表明，在多个 LLM 主干上，分层检索和个性化记忆带来了互补的增益，实现了最先进的性能。通过显式建模跨活动粒度的分层关系，OntoAR-HAR 还解决了长期被忽视的语义包含问题，并避免将相关标签视为独立类别。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15292 [cs.AI] |
| （或 arXiv:2610.15292v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15292 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：XiangQing Lu [查看电子邮件]
[v1]
2026年10月11日星期日 02:57:12 UTC（718 KB）
来源：arXiv cs.AI · arxiv.org