The DecoderT2·基座大模型
74 分
Google Research 提出一种无需血压袖带校准的神经网络方法,仅凭智能手表内置的脉搏与运动传感器即可识别高血压迹象。模型通过近 50 万小时传感器数据自监督学习脉搏与心跳模式,在 196 人、五个美国研究点的试验中表现接近传统袖带。该方法已并入 Google Health 应用的血压趋势功能,但仍属研究项目,不替代医学诊断。
Self-supervised Learning
利用未标记数据自身结构生成标签进行训练
Google Research 提出一种无需血压袖带校准的神经网络方法,仅凭智能手表内置的脉搏与运动传感器即可识别高血压迹象。模型通过近 50 万小时传感器数据自监督学习脉搏与心跳模式,在 196 人、五个美国研究点的试验中表现接近传统袖带。该方法已并入 Google Health 应用的血压趋势功能,但仍属研究项目,不替代医学诊断。
研究表明,在预训练阶段增强语言判别能力可显著缩小多语言语音模型与单语模型的性能差距。通过引入辅助分类器和按语言聚类目标,HuBERT 模型在音素、词汇及韵律任务上的表现均得到提升,且早期干预效果最佳。
谷歌推出 SensorFM,旨在解决可穿戴设备数据因个体差异大、标注稀缺而难以泛化的问题。该模型通过自监督学习构建通用健康表征,支持自动专业化并作为个人健康智能体(Personal Health Agent)的核心接口,实现从原始生理信号到个性化预防医疗的跨越。
Google Research 在 Earth AI 计划下发布 S2Vec,这是一种自监督学习框架,旨在自动将复杂的建成环境(道路、建筑等)转化为机器学习可理解的通用嵌入向量。该方法取代了传统手工设计地理指标的低效流程,使模型能直接捕捉社会经济健康与环境模式等多维信息。