SensorFM: Model Dasar untuk Perangkat Wearable yang Dilatih pada Triliunan Menit Data

Google Research telah memperkenalkan SensorFM, sebuah Large Sensor Foundation Model yang dilatih awal pada lebih dari satu triliun menit sinyal sensor multimodal dari lima juta partisipan yang menyetujui. Model ini belajar melalui rekonstruksi self-supervised menggunakan pendekatan LSM-2 dan kerangka kerja Adaptive and Inherited Masking (AIM), yang memperlakukan data hilang di dunia nyata sebagai artefak alami. Eksperimen penskalaan menunjukkan bahwa peningkatan ukuran data dan model menghasilkan peningkatan yang hampir linier pada kerugian pelatihan awal dan kinerja downstream, dengan model terbesar (SensorFM-B) unggul pada 33 dari 35 tugas. Dievaluasi pada 35 tugas kesehatan dari tiga studi independen, embeddings beku SensorFM mengungguli baseline supervised, dan 'ruang kelas' agen LLM yang otonom secara otomatis merancang kepala prediksi yang mengalahkan probe linier pada sebagian besar tugas. Ketika diintegrasikan ke dalam Personal Health Agent (Agen Kesehatan Pribadi), prediksi SensorFM secara signifikan meningkatkan kualitas ringkasan kesehatan dibandingkan baseline, tanpa perbedaan statistik dari penggunaan pengukuran ground-truth.