論文の概要: Scene-Adaptive Continual Learning for CSI-based Human Activity Recognition with Mixture of Experts

• arxiv url: http://arxiv.org/abs/2605.06447v1
• Date: Thu, 07 May 2026 15:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.955035
• Title: Scene-Adaptive Continual Learning for CSI-based Human Activity Recognition with Mixture of Experts
• Title（参考訳）: エキスパートの混在を考慮したCSIに基づく人間活動認識のためのシーン適応型連続学習
• Authors: Wenhan Zheng, Yuyi Mao, Ivan Wang-Hei Ho,
• Abstract要約: クラスタ化スペシャリストによるエキスパートのシーン適応混合(SAMoE-C)を提案する。 SAMoE-C(SAMoE-C)は、アテンションベースのセマンティックルータを通じてシーン固有の適応を可能にする、エキスパートの混合システムである。 その結果,SAMoE-Cは予測コストを著しく低く抑えつつ,最先端の精度に近づいた。
• 参考スコア（独自算出の注目度）: 11.152550233971573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel state information (CSI)-based human activity recognition (HAR) is vulnerable to performance degradation under domain shifts across varying physical environments. Continual learning (CL) offers a principled way to learn new domains sequentially while preserving past knowledge, but existing CL solutions for CSI-based HAR scale poorly with accumulating domains, rely on a large replay buffer, or incur linearly growing inference cost. In this letter, we propose Scene-Adaptive Mixture of Experts with Clustered Specialists (SAMoE-C), which formulates cross-domain CSI-based HAR as a mixture-of-experts system that enables scene-specific adaptation, via an attention-based semantic router that activates only selected experts for each input. Moreover, we develop a novel training protocol, which requires only a tiny replay buffer for stabilizing domain discrimination of the router. Experimental results on a four-scene CSI dataset demonstrate that SAMoE-C approaches the state-of-the-art accuracy, while maintaining a significantly lower inference cost. By jointly combining modular experts, selective activation with router and a lightweight training protocol, SAMoE-C enables scalable cross-domain CSI-based HAR deployment with low training overhead and high computational efficiency in real-world settings.
• Abstract（参考訳）: チャネル状態情報(CSI)に基づくヒューマンアクティビティ認識(HAR)は、様々な物理的環境におけるドメインシフトの下での性能低下に対して脆弱である。 継続学習(CL)は、過去の知識を保存しながら、新しいドメインを逐次学習する原則的な方法を提供するが、CSIベースのHARスケールのための既存のCLソリューションは、蓄積されたドメイン、大きなリプレイバッファ、あるいは不正確な線形に増加する推論コストに依存している。 本稿では,各入力に対して選択した専門家のみを活性化するアテンションベースのセマンティック・ルータを通じて,シーン固有の適応を可能にする,クロスドメインCSIベースのHARを定式化したScene-Adaptive Mixture of Experts with Clustered Specialists (SAMoE-C)を提案する。 さらに、ルータのドメイン識別を安定化させるために、小さなリプレイバッファのみを必要とする新しいトレーニングプロトコルを開発する。 4段CSIデータセットの実験結果から,SAMoE-Cは最先端の精度に近づき,推論コストは著しく低かった。 モジュールの専門家とルータとの選択的アクティベーションと軽量なトレーニングプロトコルを組み合わせることで、SAMoE-Cは、トレーニングオーバーヘッドが低く、現実の環境での計算効率が高い、スケーラブルなクロスドメインCSIベースのHARデプロイメントを可能にする。

関連論文リスト

• Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems [65.23921727688749]
  本稿では,新たなゴシップ生成敵ネットワーク(Gossip-GAN)支援CSIフィードバックトレーニングフレームワークを提案する。 Gossip-GANは、ユーザのプライバシを保護しながら、低オーバーヘッドでCSIフィードバックトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-08-31T07:46:16Z)
• A MIMO Wireless Channel Foundation Model via CIR-CSI Consistency [19.658024410165112]
  本稿では,チャネル状態情報(CSI)とチャネルインパルス応答(CIR)を自然に整列したマルチモーダルデータとして扱う。 CIRとCSIの両方の結合表現を効果的にキャプチャすることで、CSI-CLIPはシナリオ間で顕著な適応性を示す。
  論文  参考訳（メタデータ） (2025-02-17T16:13:40Z)
• CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing [19.12026243010111]
  CSI予測と分類タスクのための統合フレームワークCSI-BERT2を提案する。 このフレームワークはBERTに適応し、双方向の自己認識機構を通じてCSI配列間の複雑な関係をキャプチャする。 CSI-BERT2は、すべてのタスクで最先端のパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2024-12-09T06:44:04Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• DANCE: DAta-Network Co-optimization for Efficient Segmentation Model Training and Inference [86.03382625531951]
  DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。 入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。 実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
  論文  参考訳（メタデータ） (2021-07-16T04:58:58Z)

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。