論文の概要: KNN-MMD: Cross Domain Wireless Sensing via Local Distribution Alignment

• arxiv url: http://arxiv.org/abs/2412.04783v2
• Date: Tue, 07 Jan 2025 08:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:47:59.036455
• Title: KNN-MMD: Cross Domain Wireless Sensing via Local Distribution Alignment
• Title（参考訳）: KNN-MMD:局所分布アライメントによるクロスドメイン無線センシング
• Authors: Zijian Zhao, Zhijie Cai, Tingwei Chen, Xiaoyang Li, Hang Li, Qimei Chen, Guangxu Zhu,
• Abstract要約: クロスドメイン無線センシングのためのK-Nearest Maximum Neighbors Mean Discrepancy (KNN-MMD)を提案する。 我々のアプローチは、ターゲットドメインからKNNを使用してヘルプセットを構築し、ソースとターゲットドメイン間の局所的なアライメントを可能にすることから始まります。 また、モデルの性能がエポック間で急激に変動するクロスドメイン手法でよく見られる重要な不安定性問題にも対処する。
• 参考スコア（独自算出の注目度）: 17.33355763750407
• License:
• Abstract: Wireless sensing has recently found widespread applications in diverse environments, including homes, offices, and public spaces. By analyzing patterns in channel state information (CSI), it is possible to infer human actions for tasks such as person identification, gesture recognition, and fall detection. However, CSI is highly sensitive to environmental changes, where even minor alterations can significantly distort the CSI patterns. This sensitivity often leads to performance degradation or outright failure when applying wireless sensing models trained in one environment to another. To address this challenge, Domain Alignment (DAL) has been widely adopted for cross-domain classification tasks, as it focuses on aligning the global distributions of the source and target domains in feature space. Despite its popularity, DAL often neglects inter-category relationships, which can lead to misalignment between categories across domains, even when global alignment is achieved. To overcome these limitations, we propose K-Nearest Neighbors Maximum Mean Discrepancy (KNN-MMD), a novel few-shot method for cross-domain wireless sensing. Our approach begins by constructing a help set using KNN from the target domain, enabling local alignment between the source and target domains within each category using MMD. Additionally, we address a key instability issue commonly observed in cross-domain methods, where model performance fluctuates sharply between epochs. Further, most existing methods struggle to determine an optimal stopping point during training due to the absence of labeled data from the target domain. Our method resolves this by excluding the support set from the target domain during training and employing it as a validation set to determine the stopping criterion.
• Abstract（参考訳）: ワイヤレスセンシングは、最近、家、オフィス、公共空間など様々な環境で広く応用されている。 チャネル状態情報(CSI)のパターンを解析することにより、人物識別、ジェスチャー認識、転倒検出などのタスクに対して人間の行動を推測することができる。 しかし、CSIは環境変化に非常に敏感であり、小さな変化でさえCSIパターンを著しく歪ませることができる。 この感度は、ある環境で訓練された無線センシングモデルを別の環境に適用する際に、しばしば性能劣化または完全な故障を引き起こす。 この課題に対処するため、ドメインアライメント(DAL)は、機能空間におけるソースとターゲットドメインのグローバルな分布の整合性を重視するため、クロスドメイン分類タスクに広く採用されている。 その人気にもかかわらず、DALはカテゴリ間の関係を無視することが多く、グローバルアライメントが達成された場合でも、ドメイン間のカテゴリ間の不一致を引き起こす可能性がある。 これらの制限を克服するため、クロスドメイン無線センシングのための新しい数ショット方式であるK-Nearest Neearbors Maximum Mean Discrepancy (KNN-MMD)を提案する。 我々のアプローチは、ターゲットドメインからKNNを使用してヘルプセットを構築し、MDDを使用して各カテゴリ内のソースとターゲットドメイン間の局所的なアライメントを可能にすることから始まります。 さらに、モデルの性能がエポック間で急激に変動するクロスドメイン手法でよく見られる重要な不安定性問題に対処する。 さらに、既存のほとんどの手法は、対象領域からのラベル付きデータがないため、トレーニング中に最適な停止点を決定するのに苦労している。 本手法では,トレーニング中に対象ドメインからサポートセットを除外し,停止基準を決定するための検証セットとして利用する。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point Clouds [2.5291108878852864]
  教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。 本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2023-09-15T10:47:12Z)
• GaitSADA: Self-Aligned Domain Adaptation for mmWave Gait Recognition [14.750765172614836]
  mmWaveレーダを用いた歩行認識は,mmWaveレーダの帰還信号から人間の歩行バイオメトリックスを捕捉する新しいユーザ識別法である。 この問題を軽減するために、GaitSADAと呼ばれる新しい自己整合ドメイン適応法を提案する。 実験により、GaitSADAは、低データ状態における平均精度で15.41%から26.32%の改善により、代表的ドメイン適応法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-31T03:21:08Z)
• OTAdapt: Optimal Transport-based Approach For Unsupervised Domain Adaptation [10.485172090696642]
  本稿では, 最適輸送ベース距離に基づいて, 教師なし領域適応に対する新しいアプローチを提案する。 このアプローチは、ドメイン間で有意義なメトリクスを必要とせずに、ターゲットドメインとソースドメインの整合を可能にする。 提案手法は,様々な問題において異なるデータセット上で評価される。
  論文  参考訳（メタデータ） (2022-05-22T04:25:24Z)
• Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization [8.406788215294483]
  少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。 本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-04-06T08:06:27Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。