CHEAR：混淆层级证据感知推理用于人类活动识别

2026年10月14日，arXiv Artificial Intelligence 刊出由 Xiangqing Lu 等作者提交的论文，提出混淆层级证据感知推理（CHEAR）方法。该工作针对大语言模型（LLM）结合检索增强生成（RAG）进行可穿戴传感器人体活动识别时，在线推理候选过多的问题。CHEAR 的做法是将部分知识组织工作转移到离线阶段：从跨受试者反复出现的检索错误中构建并验证活动层级，并建立活动对知识。论文原文表述为“We propose confusion-hierarchy evidence-aware reasoning (CHEAR), which moves part of this knowledge organization offline.”。截至该报道，事件进展为方法提出与论文公开，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。