論文の概要: ARGUS: Attention-Guided Transformers for Scalable Person Identification Using Wi-Fi Telemetry
- arxiv url: http://arxiv.org/abs/2608.14670v1
- Date: Sun, 02 Aug 2026 19:06:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.956175
- Title: ARGUS: Attention-Guided Transformers for Scalable Person Identification Using Wi-Fi Telemetry
- Title（参考訳）: ARGUS:Wi-Fiテレメトリを用いたスケーラブルな人物識別のための注意誘導変換器
- Abstract要約: EmphArgusは、デバイスや所定の動作を必要とせずに人を識別する、受動的Wi-Fiセンシングシステムである。
軽量デコーダのみのTransformerは粗いstatgramパッチをトークンとして読み出し、セグメントレベルのロジットアグリゲーションは時間とともにエビデンスを組み合わせる。
60秒の統計では、Argusは生のCSIトランスフォーマーのベースラインを7.75ポイント改善し、1ウィンドウ当たり4.4タイムでFLOPを減らした。
- 参考スコア（独自算出の注目度）: 3.7147426168158937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Passive, device-free person identification offers an alternative to camera- and wearable-based biometrics, yet existing wireless approaches rely largely on gait or activity cues and are rarely evaluated at scale. In this paper, we present \emph{Argus}, a passive Wi-Fi sensing system that identifies people from commodity Channel State Information (CSI) without requiring an attached device or a prescribed motion. Argus converts short CSI spans into compact \emph{statgrams}: statistical maps built from the channel views available on a given device. A lightweight decoder-only Transformer then reads coarse statgram patches as tokens, and segment-level logit aggregation combines evidence over time. On a 154-subject CSI dataset evaluated with a strict physical-segment split, Argus reaches $78.88\% \pm 1.62\%$ Top-1 accuracy on 6-second windows and $84.85\% \pm 1.31\%$ after aggregating 19 overlapping windows over a 60-second segment; Top-3 and Top-5 reach $98.61\%$ and $99.26\%$. For a 60-second statgram, Argus improves over a raw-CSI Transformer baseline by 7.75 points while using $4.4\times$ fewer FLOPs per window. Attention-guided compression preserves full single-window accuracy with only half of the EHealth patches. On WiMANS, a multi-user benchmark across three rooms and two Wi-Fi bands, Argus remains within 1.23 percentage points of the strongest per-configuration baselines on average while using $27\times$ fewer inference FLOPs. These results show that compact CSI statistics can scale passive identification while also exposing deployment limits in open-set rejection and cross-room transfer.
- Abstract（参考訳）: パッシブでデバイスなしの人物識別は、カメラやウェアラブルベースのバイオメトリックスに代わるものだが、既存のワイヤレスアプローチは歩行やアクティビティの手がかりに大きく依存しており、大規模に評価されることはめったにない。
本稿では,接続装置や所定の動作を必要とせずに,商品チャネル状態情報(CSI)から人々を識別する受動的Wi-Fiセンシングシステムである \emph{Argus} を提案する。
Argusは短いCSIスパンをコンパクトな \emph{statgrams} に変換する。
軽量デコーダのみのTransformerは粗いstatgramパッチをトークンとして読み出し、セグメントレベルのロジットアグリゲーションは時間とともにエビデンスを組み合わせる。
厳密な物理的分割で評価された154サブオブジェクトのCSIデータセットでは、Argusは6秒のウィンドウで78.88\% \pm 1.62\%$ Top-1精度と84.85\% \pm 1.31\%$に達し、60秒のセグメントで19のオーバーラップウィンドウを集約した後、Top-3とTop-5は9.61\%$と99.26\%$に達した。
60秒の統計表では、Argusは生CSIトランスフォーマーのベースラインを7.75ポイント改善し、1ウィンドウあたり4.4\times$ FLOPsを減らした。
注意誘導圧縮は、EHealthパッチの半分で完全な単一ウィンドウの精度を保っている。
3つの部屋と2つのWi-FiバンドにまたがるマルチユーザーベンチマークであるWiMANSでは、Argusは平均的な構成毎のベースラインの1.23パーセント以内に留まる。
これらの結果から、コンパクトなCSI統計は、オープンセットの拒絶やクロスルーム転送における配置制限を露呈しつつ、受動的識別をスケールできることが示された。
関連論文リスト
- Hardware-Aware Learned Representation Compression for Distributed In-Sensor Vision [12.005354252650505]
インセンサコンピューティングは、センサー近傍で早期処理を行うことにより、高解像度画像データを送信するコストを低減する。
オフチップ伝送の前に,軽量エンコーダを用いてタスク関連表現を生成する分散インセンサ・ビジョン・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-12T13:45:08Z) - CM-MAE: A Physics-Guided Cross-Modal Self-Supervised Learning Framework for Vision-Wireless Applications [4.943233471540466]
CM-MAEは、クロスシナリオ表現転送のための無線事前トレーニングフレームワークである。
CM-MAEはRGBフレームとDeepSense 6Gで利用可能な64ビーム受信パワーベクトルのみを使用する。
論文 参考訳（メタデータ） (2026-08-16T23:55:03Z) - Claw-SWE-Bench: A Benchmark for Evaluating OpenClaw-style Agent Harnesses on Coding Tasks [75.92297551160692]
OpenClawのような汎用エージェントは、自律的なツールユーザとしてますます利用されている。
マルチリンガルなSWEベンチマークおよびアダプタプロトコルであるClaw-SWE-Benchを紹介する。
Claw-SWE-Benchは、SWEスタイルの符号化エージェント評価の第一級軸として、ハーネスとコスト会計を扱う。
論文 参考訳（メタデータ） (2026-06-10T17:16:23Z) - TALAN: Task-Aligned Latent Adaptation Networks for Targeted Post-Training of Large Language Models [8.47008876232157]
本稿では, TALAN (Task-Aligned Latent Adaptation Networks) を導入する。
TALANはアクティブシーケンスを潜在メモリに圧縮し、トークンレベルの摂動にリミックスし、制御された残留更新を通じて書き戻す。
4つのQwen3ファミリーのバックボーンと4つのSTEM/コードベンチマークで、TALANは一致したLoRAとDoRAベースラインを改善している。
論文 参考訳（メタデータ） (2026-06-05T04:34:50Z) - WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳（メタデータ） (2026-04-20T01:29:56Z) - EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection [0.0]
フェデレートラーニング(FL)は、生データ交換なしで協調的な侵入検知を可能にする。
従来のFLは、完全精度の伝送から高い通信オーバーヘッドを発生させる。
本稿では,プライバシーに配慮した6G-IoT環境用フェデレーションIDSであるEdgeDetectを提案する。
論文 参考訳（メタデータ） (2026-04-16T06:16:14Z) - Scaling Attention via Feature Sparsity [50.64995497733461]
超長期のコンテキストにトランスフォーマーをスケールすることは、自己注意のコスト$O(n2 d)$コストによってボトルネックとなる。
本稿では,高次元表現性を維持するために,クエリとキーを$k$sparseコードとして表現するスパース特徴注意法を提案する。
GPT-2とQwen3の事前トレーニングで、SFAは密度の高いベースラインにマッチし、最高2.5タイムのスピードを向上し、FLOPとKVキャッシュを50%近く削減した。
論文 参考訳（メタデータ） (2026-03-17T08:41:50Z) - SegViTv2: Exploring Efficient and Continual Semantic Segmentation with
Plain Vision Transformers [76.13755422671822]
本稿では,エンコーダ・デコーダ・フレームワークを用いた意味的セグメンテーションのためのプレーンビジョン変換器(ViT)の能力について検討する。
Intention-to-Mask(atm)モジュールを導入し、平易なViTに有効な軽量デコーダを設計する。
我々のデコーダは、様々なViTバックボーンを使用して人気のあるデコーダUPerNetより優れ、計算コストの5%程度しか消費しない。
論文 参考訳（メタデータ） (2023-06-09T22:29:56Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
ほとんどの方法は、スコアがしきい値よりも高い検出ボックスを連想させることでアイデンティティを得る。
本稿では,BYTEと呼ばれるシンプルで効果的で汎用的なアソシエーション手法を提案する。
論文 参考訳（メタデータ） (2021-10-13T17:01:26Z) - GGNB: Graph-Based Gaussian Naive Bayes Intrusion Detection System for
CAN Bus [0.6299766708197884]
NHTSAは、自動車システムのサイバーセキュリティは、他の情報システムのセキュリティよりも重要であると確認した。
グラフ特性とPageRank関連の特徴を活用して,新しいtextbf graph-based textbf Gaussian textbf naive textbf Bayes (GGNB) 侵入検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-24T18:18:07Z) - A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization [9.601632184687787]
本稿では,Wi-Fiフィンガープリンティング屋内ローカライゼーションのための畳み込みニューラルネットワーク(CNN)と長寿命メモリ(LSTM)量子化器(LSTM)を組み合わせたネットワーク構造を提案する。
WiFiルータを1つだけ使うと、平均局所化誤差が2.5mで、4m未満の誤差は$mathrm80%である。
論文 参考訳（メタデータ） (2020-05-13T16:54:31Z)
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。