"Tragbare Geräte erzeugen enorme Mengen an Gesundheitsdaten, aber das Beschriften dieser Daten ist teuer. Selbstüberwachtes Lernen (SSL) kann unbeschriftete Daten nutzen, um zugrunde liegende Datenstrukturen zu erlernen. Aktuelle SSL-Methoden kämpfen mit unvollständigen Daten, ein häufiges Problem in Tragbar-Sensordatenströmen aufgrund verschiedener Gründe. "LSM-2" führt Adaptive und Vererbte Maskierung (AIM) ein, ein SSL-Rahmenwerk, das direkt aus unvollständigen Tragbar-Sensordaten lernt. AIM verwendet einen dualen Maskierungsansatz, behandelt natürlich vorkommende und künstlich maskierte Token gleichwertig. Ein Großes Sensormodell (LSM-2) wurde entwickelt, das AIM verwendet, und verbessert das vorherige LSM-1-Modell. LSM-2 wurde auf 40 Millionen Stunden Tragbar-Daten von 60.000 Teilnehmern vortrainiert. Es wurde auf Aufgaben wie Aktivitätserkennung, Hypertonie-Klassifizierung und Datenrekonstruktion evaluiert. LSM-2 übertrifft LSM-1 bei der Klassifizierung, Rekonstruktion und Vorhersage von Gesundheitsmetriken. AIM ermöglicht es LSM-2, Datenlücken ohne Interpolation zu handhaben, was zu einer verbesserten Leistung und Robustheit führt. LSM-2 zeigt auch eine verbesserte Skalierbarkeit über Benutzer, Datenmenge und Modellgröße."