ZARA: Training-Free Motion Time-Series Reasoning via Evidence-Grounded LLM Agents

Das Paper stellt ZARA vor, ein trainingsfreies, agentenbasiertes Framework, das durch evidenzbasierte Wissensverknüpfung und Abrufmechanismen die robuste und übertragbare Erkennung menschlicher Aktivitäten aus Bewegungssensordaten ermöglicht, ohne auf feste Aktivitätssets oder teure Neukalibrierungen angewiesen zu sein.

Das Wesentliche

Stell dir vor, du möchtest einem Computer beibringen, zu erkennen, was eine Person gerade tut – ob sie läuft, sitzt, joggt oder Treppen steigt. Dafür nutzen wir kleine Sensoren (wie in einer Smartwatch), die die Bewegungen aufzeichnen.

Das Problem bisher war: Die alten Computer-Modelle waren wie sture Schüler. Sie haben nur das gelernt, was sie in der Schule (dem Trainingsdatensatz) gesehen haben. Wenn ein neuer Schüler (ein neuer Mensch) kam oder die Sensoren woanders saßen, mussten die Lehrer (die Entwickler) das ganze Modell mühsam neu unterrichten. Das kostet Zeit, Geld und Rechenleistung.

ZARA ist wie ein genialer Detektiv, der keine Schulung braucht, sondern einfach nur gut recherchiert.

Hier ist die einfache Erklärung, wie ZARA funktioniert, mit ein paar kreativen Vergleichen:

1. Das Problem: Der "Halluzinierende" KI-Assistent

Früher hat man versucht, große Sprach-KIs (LLMs) direkt die rohen Zahlen der Sensoren lesen zu lassen. Das war, als würdest du einem Menschen, der nur Deutsch spricht, ein Buch in einer unbekannten Fremdsprache geben und erwarten, dass er es versteht. Die KI fing an zu halluzinieren ("Ah, das ist bestimmt Joggen!", obwohl es nur ein Zittern war). Sie hatte keine echte Grundlage.

2. Die Lösung: ZARA – Der gut vorbereitete Ermittler

ZARA ist ein System, das den Computer nicht neu trainiert, sondern ihm Werkzeuge und Bücher an die Hand gibt, damit er den Fall selbst lösen kann. Es funktioniert in drei Schritten:

Schritt A: Das "Rezeptbuch" (Wissensbasis)

Statt die KI mit Zahlen zu füttern, erstellt ZARA zuerst ein Rezeptbuch aus der Vergangenheit.

• Die Analogie: Stell dir vor, du willst wissen, wie man einen Kuchen von einem Brot unterscheidet. Du schreibst nicht die ganzen Zahlen der Zutaten auf, sondern notierst: "Kuchen hat mehr Zucker und ist lockerer, Brot ist dichter."
• Bei ZARA: Das System analysiert Tausende von Bewegungsdaten und schreibt auf: "Beim Joggen ist die vertikale Erschütterung höher als beim Gehen." Diese klaren, menschlichen Regeln werden in ein Wissensbuch gepackt. Die KI muss diese Regeln nicht auswendig lernen, sie kann sie einfach nachschlagen.

Schritt B: Der "Bibliothekskatalog" (Suche nach Beweisen)

Wenn eine neue Bewegung gemessen wird, sucht ZARA nicht im ganzen Universum, sondern schaut in eine Bibliothek mit ähnlichen Fällen.

• Die Analogie: Ein Detektiv, der einen neuen Fall hat, geht nicht blind in die Stadt. Er geht in die Aktenabteilung und sucht nach Fällen, die genau wie dieser aussehen (gleicher Ort, gleiche Uhrzeit, ähnliches Verhalten).
• Bei ZARA: ZARA holt sich die besten Beispiele aus der Datenbank, die der aktuellen Bewegung ähneln. Es vergleicht die neuen Zahlen mit den alten, echten Beweisen. So weiß die KI: "Aha, diese Zahlen sehen genau so aus wie beim Joggen in der Datenbank."

Schritt C: Der "Runde Tisch" (Die Agenten-Debatte)

Jetzt kommt das Coolste: ZARA nutzt nicht nur einen KI-Chatbot, sondern ein Team von Spezialisten, die sich unterhalten.

1. Der Feature-Selector (Der Spürhund): Er schaut ins Rezeptbuch und sagt: "Hey, um das zu lösen, müssen wir uns auf die Wackelbewegung im Handgelenk konzentrieren, nicht auf die Temperatur."
2. Der Evidence-Pruner (Der Filter): Er schaut in die Bibliothek und sagt: "Okay, Joggen passt gut, aber 'Schlafen' passt gar nicht, weil die Zahlen zu ruhig sind. Wir streichen 'Schlafen'."
3. Der Decision-Insight (Der Richter): Er fasst alles zusammen und trifft die endgültige Entscheidung. Er sagt: "Basierend auf dem Wackeln und den Beweisen aus der Bibliothek ist es zu 99% Joggen." Und das Wichtigste: Er erklärt warum. Er sagt nicht nur "Joggen", sondern: "Weil die Erschütterung hoch war und das passt zu den Beweisen für Joggen."

Warum ist das so großartig?

• Kein neues Training nötig: Du kannst ZARA auf einen neuen Menschen oder eine neue Uhr anwenden, ohne das Modell neu zu programmieren. Es ist wie ein Plug-and-Play-System.
• Es ist ehrlich: Wenn ZARA unsicher ist, kann es sagen: "Ich bin mir nicht sicher, die Daten passen zu Joggen und Gehen gleichermaßen." Es halluziniert nicht einfach eine Antwort.
• Es funktioniert überall: Ob die Sensoren am Handgelenk, am Bauch oder am Bein sitzen – ZARA passt sich an, weil es die Bewegung versteht, nicht nur die Zahlen.

Zusammenfassung

Stell dir ZARA nicht als einen Roboter vor, der auswendig gelernt hat, sondern als einen erfahrenen Ermittler, der:

1. Ein Nachschlagewerk mit klaren Regeln hat.
2. Eine Bibliothek mit echten Vergleichsfällen durchsucht.
3. Ein Team ist, das Beweise sammelt und eine logische Erklärung liefert.

Dadurch kann ZARA neue Aktivitäten erkennen, ohne dass jemand mühsam neue Daten "füttern" muss. Es ist der Schritt von "blindem Raten" zu "beweissicherer Erkenntnis".

Technische Zusammenfassung

1. Problemstellung

Die menschliche Aktivitätserkennung (Human Activity Recognition, HAR) aus Bewegungssensordaten (z. B. Beschleunigungsmesser, Gyroskope) stößt bei herkömmlichen Ansätzen auf drei wesentliche Hindernisse:

• Geringe Generalisierungsfähigkeit: Bestehende Modelle sind oft auf feste Aktivitätsmengen und spezifische Hardware-Setups trainiert. Die Anpassung an neue Nutzer (Cross-Subject) oder neue Geräte (Cross-Domain) erfordert kostspieliges Nachtrainieren der Modellparameter.
• Fehlende Anpassung ohne Training: Zeitreihen-Foundation-Modelle (wie Moment oder Mantis) bieten zwar übertragbare Repräsentationen, benötigen aber immer noch spezifische Klassifikationsköpfe. Kontrastive Modelle scheitern oft an der Unterscheidung feinabgestufter Aktivitäten, wenn die Parameter eingefroren sind.
• Mangelnde Interpretierbarkeit: Die meisten Methoden liefern nur kategorische Vorhersagen ohne transparente Begründung, was das Vertrauen in sicherheitskritischen Anwendungen mindert.

Der direkte Einsatz von Large Language Models (LLMs) auf rohe numerische Zeitreihen führt hingegen oft zu Halluzinationen und schwacher Verankerung, da LLMs physikalische Dynamiken nicht intuitiv aus rohen Zahlenströmen ableiten können.

2. Methodik: Das ZARA-Framework

ZARA (Zero-training Activity Reasoning Agents) ist ein agentic Framework, das HAR-Aufgaben ohne Nachtraining (Training-Free) durchführt. Es überbrückt die Lücke zwischen Sensordaten und Sprache durch drei synergistische Komponenten:

A. Entkopplung von Wissen und Evidenz

ZARA trennt das Wissen in zwei Quellen:

1. Universelles Wissen (K): Eine statische Referenzdatenbank, die paarweise Merkmalsprofil-Importanzen speichert. Anstatt Sensor-Priors in Modellgewichte zu codieren, dient dies als Nachschlagetabelle, die angibt, welche physikalischen Eigenschaften (z. B. Varianz der vertikalen Beschleunigung) am besten geeignet sind, um zwei spezifische Aktivitäten (z. B. Laufen vs. Gehen) zu unterscheiden.
2. Lokale Evidenz (D): Eine Vektordatenbank mit Embeddings roher Signale, die als externes Gedächtnis dient. Dies ermöglicht eine Anpassung an spezifische Sensoren oder Nutzer durch Kontext-Recherche (In-Context Retrieval) statt Gewichts-Updates.

B. Offline-Statistisches Profiling (Globale Priors)

Ein automatischer Prozess extrahiert aus gelabelten Trainingsdaten ein Wissensbuch (Knowledge Base).

• Für jedes Aktivitätspaar werden diskriminative Merkmale (zeitlich, frequenzbasiert, kreuzkanalig) mittels Permutations-basiertem Feature-Ranking (AutoGluon) bewertet.
• Diese statistischen Priors werden in verifizierbare natürliche Sprachregeln umgewandelt (z. B. „Schrittlaufen hat eine höhere Frequenz als Joggen"). Dies ermöglicht die Hinzufügung neuer Aktivitäten ohne Retraining, indem nur deren Profil registriert wird.

C. Klassenspezifische Multi-Sensor-Recherche

• Für eine Abfrage (Query) werden Embeddings mit einem eingefrorenen Zeitreihen-Encoder (z. B. Mantis) berechnet.
• Es erfolgt eine klassenbedingte Recherche: Für jede potenzielle Aktivität werden die Top-k-ähnlichsten historischen Fenster aus den jeweiligen Sensor-Datenbanken (z. B. Handgelenk, Brust) abgerufen.
• Die Rankings verschiedener Sensoren werden mittels Reciprocal Rank Fusion (RRF) fusioniert, um eine robuste, multimodale Evidenzbasis zu schaffen.

D. Hierarchische Multi-Agenten-Reasoning

ZARA orchestriert vier Stufen mit spezialisierten LLM-Agenten:

1. Feature Selector (1. Runde): Wählt grobe diskriminative Merkmale basierend auf dem Wissensbuch für die gesamte Kandidatenmenge aus.
2. Evidence Pruning Agent: Vergleicht die Abfrage-Werte mit den statistischen Verteilungen (Mittelwert ± Standardabweichung) der reziproken Evidenz. Er filtert unwahrscheinliche Kandidaten heraus und erstellt eine strukturierte Vergleichstabelle.
3. Feature Selector (2. Runde): Wählt feinere Merkmale für die verbleibenden Kandidaten aus, um subtile Mehrdeutigkeiten aufzulösen.
4. Decision Insight Agent: Analysiert die verfeinerten Statistiken und generiert die endgültige Vorhersage zusammen mit einer menschenlesbaren, evidenzbasierten Begründung (Rationale).

3. Wichtige Beiträge

• Signal-zu-Text Wissensverankerung: Eine automatisierte Methode, um Bewegungsmuster in eine paarweise textbasierte Wissensdatenbank zu destillieren, die LLMs verifizierbares, parametrisches Reasoning ermöglicht.
• Interpretierbares Agenten-Framework: ZARA ist das erste wissens- und rechengetriebene Agentensystem für Multi-Sensor-Zeitreihen, das nicht nur klassifiziert, sondern auch kurze, evidenzgestützte Begründungen liefert.
• Starke Generalisierung ohne Training: Das System demonstriert State-of-the-Art-Leistung in parametrisch eingefrorenen Settings und generalisiert robust auf unbekannte Nutzer und heterogene Sensor-Domänen.

4. Ergebnisse

Das Framework wurde an 8 verschiedenen HAR-Datensätzen (z. B. Opportunity, UCI-HAR, PAMAP2, WISDM) gegen 10 etablierte Baselines (inkl. UniMTS, ImageBind, HARGPT) getestet.

• Cross-Subject Generalisierung: ZARA (mit dem Gemini-2.0-Flash-Backbone) erreichte eine durchschnittliche Genauigkeit von 81,6 % und einen Macro-F1-Score von 81,4 %. Dies übertrifft die besten Baselines (UniMTS: ~39 % Genauigkeit) erheblich.
• Cross-Dataset Generalisierung: Bei der Übertragung von Wissen zwischen verschiedenen Datensätzen (z. B. von WISDM zu PAMAP2) zeigte ZARA, dass Wissen aus diversen Populationen besser transferierbar ist als lokales Wissen.
• Vergleich mit Baselines: Direkte Prompting-Methoden (HARGPT, Gemini Text) scheiterten katastrophal (oft <20 % Genauigkeit), was die Notwendigkeit einer expliziten Referenzverankerung unterstreicht.
• Ablationsstudien:
  • Ohne Retrieval sank die Genauigkeit auf 71,8 %.
  • Ohne Evidence-Pruning sank sie auf 68,2 %.
  • Ohne das Paar-Wissen (nur LLM-Innenwissen) sank sie drastisch auf 63,4 %.
  • Dies bestätigt, dass sowohl lokale Evidenz als auch statistisches Vorwissen essenziell sind.

5. Bedeutung und Ausblick

ZARA markiert einen Paradigmenwechsel in der HAR-Forschung:

• Plug-and-Play: Es eliminiert die Notwendigkeit für aufwändiges Nachtrainieren bei neuen Nutzern oder Geräten.
• Vertrauenswürdigkeit: Durch die Generierung von nachvollziehbaren, evidenzbasierten Begründungen wird das System für sicherheitskritische Anwendungen (z. B. Gesundheitsmonitoring) geeignet.
• Skalierbarkeit: Das System kann neue Aktivitäten einfach durch Registrierung statistischer Profile hinzufügen, ohne die Architektur zu ändern.

Zusammenfassend beweist ZARA, dass die Kombination aus statistisch fundiertem Wissen, Retrieval-Augmentation und hierarchischem Agenten-Reasoning eine robuste, interpretierbare und trainingsfreie Lösung für die menschliche Aktivitätserkennung bietet.