"Les appareils portables génèrent d'énormes quantités de données de santé, mais l'étiquetage de ces données est coûteux. L'apprentissage auto-supervisé (SSL) peut exploiter les données non étiquetées pour apprendre les structures de données sous-jacentes. Les méthodes SSL actuelles ont du mal à gérer les données incomplètes, un problème courant dans les flux de capteurs de senseurs portables en raison de diverses raisons. "LSM-2" introduit le masquage adaptatif et hérité (AIM), un cadre SSL qui apprend directement à partir de données de capteurs de senseurs portables incomplètes. AIM utilise une approche de masquage double, traitant les jetons masqués naturellement et artificiellement de manière équivalente. Un modèle de capteur large (LSM-2) a été développé en utilisant AIM, améliorant le modèle LSM-1 précédent. LSM-2 a été pré-entraîné sur 40 millions d'heures de données de capteurs portables provenant de 60 000 participants. Il a été évalué sur des tâches telles que la reconnaissance d'activité, la classification de l'hypertension et la reconstruction de données. LSM-2 surpasse LSM-1 en termes de classification, de reconstruction et de prédiction de métriques de santé. AIM permet à LSM-2 de gérer les données manquantes sans imputation, ce qui améliore les performances et la robustesse. LSM-2 montre également une amélioration de la mise à l'échelle à travers les utilisateurs, le volume de données et la taille du modèle."