論文の概要: AM-FM: A Foundation Model for Ambient Intelligence Through WiFi

• arxiv url: http://arxiv.org/abs/2602.11200v1
• Date: Wed, 04 Feb 2026 04:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.433653
• Title: AM-FM: A Foundation Model for Ambient Intelligence Through WiFi
• Title（参考訳）: AM-FM:WiFiによる環境情報基盤モデル
• Authors: Guozhen Zhu, Yuqian Hu, Sakila Jayaweera, Weihang Gao, Wei-Hsiang Wang, Jiaxuan Zhang, Beibei Wang, Chenshu Wu, K. J. Ray Liu,
• Abstract要約: 環境知性は、スマート環境、健康モニタリング、人間とコンピュータの相互作用に不可欠である。 我々は、環境知能とWiFiによるセンシングのための最初の基礎モデルAM-FMを提案する。
• 参考スコア（独自算出の注目度）: 16.114782399868268
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ambient intelligence, continuously understanding human presence, activity, and physiology in physical spaces, is fundamental to smart environments, health monitoring, and human-computer interaction. WiFi infrastructure provides a ubiquitous, always-on, privacy-preserving substrate for this capability across billions of IoT devices. Yet this potential remains largely untapped, as wireless sensing has typically relied on task-specific models that require substantial labeled data and limit practical deployment. We present AM-FM, the first foundation model for ambient intelligence and sensing through WiFi. AM-FM is pre-trained on 9.2 million unlabeled Channel State Information (CSI) samples collected over 439 days from 20 commercial device types deployed worldwide, learning general-purpose representations via contrastive learning, masked reconstruction, and physics-informed objectives tailored to wireless signals. Evaluated on public benchmarks spanning nine downstream tasks, AM-FM shows strong cross-task performance with improved data efficiency, demonstrating that foundation models can enable scalable ambient intelligence using existing wireless infrastructure.
• Abstract（参考訳）: 物理的空間における人間の存在、活動、生理学を継続的に理解する環境知能は、スマート環境、健康モニタリング、人間とコンピュータの相互作用に不可欠である。 WiFiインフラストラクチャは、何十億ものIoTデバイスにまたがる、ユビキタスで常時オンの、プライバシ保護の基盤を提供する。 しかし、ワイヤレスセンシングは通常、実質的なラベル付きデータを必要とし、実用的な展開を制限するタスク固有のモデルに依存しているため、このポテンシャルは未解決のままである。 我々は、環境知能とWiFiによるセンシングのための最初の基礎モデルAM-FMを提案する。 AM-FMは、世界中の20種類の商用デバイスから439日以上収集された920万の未ラベルチャネル状態情報(CSI)のサンプルに事前トレーニングされており、コントラスト学習、マスクによる再構築、無線信号に合わせた物理インフォームされた目的を通じて汎用的な表現を学習している。 9つのダウンストリームタスクにまたがる公開ベンチマークで評価されたAM-FMは、データ効率を改善した強力なクロスタスクパフォーマンスを示し、基礎モデルが既存の無線インフラを使用してスケーラブルな環境インテリジェンスを可能にすることを実証している。

関連論文リスト

• A Multi-Modal Foundational Model for Wireless Communication and Sensing [5.101849923596286]
  本研究は,物理層無線システムのタスク非依存・マルチモーダル基礎モデルを提案する。 異質なモダリティにまたがる移動可能で物理学を意識した表現を学習し、タスクや環境をまたいだ堅牢な一般化を可能にしている。 本評価は,タスク固有のベースラインと比較して,より優れた一般化,デプロイメントシフトに対する堅牢性,データ要求の削減を示す。
  論文  参考訳（メタデータ） (2026-02-03T21:03:23Z)
• Aplicacion de analitica de datos para la deteccion de anomalias y fortalecimiento de la seguridad en la red WiFi del campus universitario de la Universidad Nacional del Altiplano [0.0]
  本研究は,データ分析を応用して,大学の無線ネットワークのセキュリティを強化することを目的としている。 この手法は、ユーザ、デバイス、日々のトラフィックから接続データを収集して処理する。 その結果,10:00から14:00の間に臨界ピークが出現し,頻発するデバイスや不規則なトラフィックスパイクに伴う異常な挙動がみられた。
  論文  参考訳（メタデータ） (2025-12-01T16:42:16Z)
• Sensing and Understanding the World over Air: A Large Multimodal Model for Mobile Networks [59.23869884913339]
  無線ネイティブなマルチモーダル大モデル(WMLM)は、マルチモーダルデータによって物理世界を理解し、理解することができる。 我々は、GPTスタイルのWMLMモデルを構築し、それを現実世界の大規模データセット上で訓練し、無線信号をコントラスト学習のためのアンカーモダリティとして活用した。
  論文  参考訳（メタデータ） (2025-11-17T07:33:46Z)
• Digital Shielding for Cross-Domain Wi-Fi Signal Adaptation using Relativistic Average Generative Adversarial Network [13.808977762165823]
  本稿では,物理信号遮蔽にインスパイアされた,Wi-Fi信号のクロスドメイン適応のための新しいディープラーニングモデルを提案する。 このシステムは96%の精度を達成し、強力な物質識別能力を示した。
  論文  参考訳（メタデータ） (2025-04-29T09:18:02Z)
• Neuro-Symbolic Fusion of Wi-Fi Sensing Data for Passive Radar with Inter-Modal Knowledge Transfer [10.388561519507471]
  本稿では,Wi-FiセンシングのためのニューロシンボリックアーキテクチャであるDeepProbHARを紹介する。 これは、Wi-Fi信号が脚や腕の動きなどの単純な動きと区別できるという最初の証拠を提供する。 DeepProbHARは、人間の活動認識における最先端技術に匹敵する結果を達成している。
  論文  参考訳（メタデータ） (2024-07-01T08:43:27Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
  ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。 現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。 本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
  論文  参考訳（メタデータ） (2023-10-06T04:13:10Z)
• Quantum Transfer Learning for Wi-Fi Sensing [19.06876644658677]
  我々は、Wi-Fi設定や環境が時間とともに変化するとき、人間の監視タスクにおけるドメインシフトを軽減するための転送学習について検討する。 概念実証研究として、量子ニューラルネットワーク(QNN)と古典的深層ニューラルネットワーク(DNN)を将来の量子可読社会として検討する。
  論文  参考訳（メタデータ） (2022-05-17T19:16:21Z)

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。