SensorFM : un modèle de base pour les wearables entraîné sur mille milliards de minutes de données

Google Research a présenté SensorFM, un grand modèle de base pour capteurs pré-entraîné sur plus de mille milliards de minutes de signaux multimodaux de capteurs provenant de cinq millions de participants consentants. Le modèle apprend via une reconstruction auto-supervisée utilisant l'approche LSM-2 et le cadre de masquage adaptatif et hérité (AIM), en traitant les données manquantes réelles comme un artefact naturel. Des expériences de passage à l'échelle montrent que l'augmentation de la taille des données et du modèle produit des améliorations quasi linéaires de la perte de pré-entraînement et des performances en aval, le plus grand modèle (SensorFM-B) remportant 33 des 35 tâches. Évalué sur 35 tâches de santé issues de trois études indépendantes, les embeddings gelés de SensorFM surpassent les références supervisées, et une « salle de classe » agentique d'agents LLM conçoit automatiquement des têtes de prédiction qui battent les sondes linéaires sur la plupart des tâches. Intégré dans un agent de santé personnel, les prédictions de SensorFM améliorent significativement la qualité des résumés de santé par rapport à la référence, sans différence statistique par rapport à l'utilisation de mesures de vérité terrain.