論文の概要: MU-SHOT-Fi: Self-Supervised Multi-User Wi-Fi Sensing with Source-free Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2605.01369v1
• Date: Sat, 02 May 2026 10:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.734312
• Title: MU-SHOT-Fi: Self-Supervised Multi-User Wi-Fi Sensing with Source-free Unsupervised Domain Adaptation
• Title（参考訳）: MU-SHOT-Fi:ソースレス非教師なしドメイン適応による自己監督型マルチユーザWi-Fiセンシング
• Authors: Ahmed Y. Radwan, Hina Tabassum,
• Abstract要約: MU-SHOT-Fi(MU-SHOT-Fi)は、シングルユーザーおよびマルチユーザーWi-Fiセンシングのための、ソースレスで教師なしなドメイン適応フレームワークである。 単一ユーザシナリオでは、占有重み付けを標準情報符号化に置き換えることでSU-SHOT-Fiを導入する。 WiMANSとWidar 3.0データセットの実験により、MU-SHOT-Fiは、大規模なドメインシフトの下で、マルチユーザー正確な分類性能を効果的に回復することを示した。
• 参考スコア（独自算出の注目度）: 15.898954687101748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been widely adopted for WiFi CSI-based human activity recognition (HAR) due to its ability to learn spatio-temporal features in a privacy-preserving and cost-effective manner. However, DL-based models generalize poorly across environments, a challenge amplified in multi-user settings where overlapping activities cause CSI entanglement and domain shifts. Practical deployments often limit access to labeled source data due to privacy constraints, motivating source-free adaptation using only unlabeled target-domain CSI and a pre-trained source model. In this paper, we propose MU-SHOT-Fi, a source-free unsupervised domain adaptation framework for single- and multi-user Wi-Fi sensing. MU-SHOT-Fi employs permutation-invariant set prediction with Hungarian matching during source training, followed by frozen-classifier backbone adaptation in the target domain. To enable stable adaptation without labels, we introduce occupancy-weighted information maximization that prevents model collapse by focusing diversity regularization on likely-occupied slots while excluding the dominant class from marginal entropy. Additionally, we employ binary rotation prediction as spatial self-supervision that exploits CSI frequency-time structure to learn domain-invariant features. For single-user scenarios, we introduce SU-SHOT-Fi by replacing occupancy weighting with standard information maximization and incorporating contrastive predictive coding to exploit temporal consistency. Extensive experiments on the WiMANS and Widar 3.0 datasets across cross-environment, cross-frequency, cross-orientation, and combined domain shifts demonstrate that MU-SHOT-Fi effectively recovers multi-user exact-activity classification performance under large domain shifts while maintaining accurate occupancy estimation and preventing collapse toward dominant classes.
• Abstract（参考訳）: WiFi CSIベースのヒューマンアクティビティ認識(HAR)には、プライバシー保護とコスト効率の両面から時空間の特徴を学習する能力があるため、ディープラーニングが広く採用されている。 しかし、DLベースのモデルは環境全体にわたってあまり一般化せず、重なり合うアクティビティがCSIの絡み合いやドメインシフトを引き起こすようなマルチユーザ設定では課題が増幅される。 実際のデプロイメントでは、プライバシの制約によってラベル付きソースデータへのアクセスが制限されることが多く、ラベルなしのターゲットドメインCSIと事前トレーニングされたソースモデルのみを使用して、ソースフリーな適応を動機付けている。 本稿では、単一ユーザおよびマルチユーザWi-Fiセンシングのための、ソースフリーな教師なしドメイン適応フレームワークMU-SHOT-Fiを提案する。 MU-SHOT-Fiは、ソーストレーニング中にハンガリーマッチングと置換不変セット予測を使用し、その後、ターゲットドメインでフリーズ分類器のバックボーン適応を行う。 ラベルを使わずに安定した適応を可能にするため,支配層を限界エントロピーから除外しつつ,潜在的占有スロットに多様性正規化を集中させることにより,モデルの崩壊を防止する,占有重み付け情報最大化を導入する。 さらに、CSI周波数時間構造を利用して領域不変の特徴を学習する空間自己スーパービジョンとしてバイナリ回転予測を用いる。 単一ユーザシナリオでは、占有重み付けを標準情報最大化に置き換え、時間的一貫性を活用するためにコントラスト予測符号化を導入することで、SU-SHOT-Fiを導入する。 WiMANSとWidar 3.0データセットのクロス環境、クロス周波数、クロスオリエンテーション、複合ドメインシフトに対する広範な実験により、MU-SHOT-Fiは、大規模なドメインシフト下でのマルチユーザ正確な動作分類性能を効果的に回復し、正確な占有率の推定を維持しながら、支配クラスへの崩壊を防ぐことが示されている。

関連論文リスト

• SPRInG: Continual LLM Personalization via Selective Parametric Adaptation and Retrieval-Interpolated Generation [11.253466187411524]
  SPRInGは、効果的な継続パーソナライズを目的とした、新しい半パラメトリックフレームワークである。 訓練中、SPRInGはドリフト駆動の選択的適応を採用しており、これは確率に基づくスコアリング機能を用いて高能率相互作用を識別する。 長期のパーソナライズされた生成ベンチマークの実験は、SPRInGが既存のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-15T01:32:27Z)
• Cross-Domain Multi-Person Human Activity Recognition via Near-Field Wi-Fi Sensing [20.1340684071988]
  不完全な活動カテゴリの存在下で、効率的なドメイン間適応のための新しいトレーニングフレームワークWiAnchorを提案する。 我々は、WiAnchorを徹底的に評価するための包括的なデータセットを構築し、アクティビティのカテゴリが欠如している場合に、90%以上のクロスドメイン精度を達成する。
  論文  参考訳（メタデータ） (2025-09-27T03:22:15Z)
• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• Contrastive Adversarial Training for Unsupervised Domain Adaptation [2.432037584128226]
  様々なドメイン適応タスクにおいて、ドメイン逆行訓練がうまく採用されている。 大規模なモデルでは、敵のトレーニングがソースドメインに偏りやすく、ターゲットドメインにはほとんど適応しない。 本稿では、ラベル付きソースドメインのサンプルを利用して、ターゲットドメインの機能生成を強化・調整するコントラッシブ・逆行訓練(CAT)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-17T17:59:21Z)
• 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)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。