論文の概要: KOALA: Koopman Operator Learning for WiFi-Based Anticipatory Hum
- arxiv url: http://arxiv.org/abs/2608.15815v1
- Date: Sun, 16 Aug 2026 15:43:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.432232
- Title: KOALA: Koopman Operator Learning for WiFi-Based Anticipatory Hum
- Title（参考訳）: KoALA: WiFiベースの予測ヒュームのためのクープマン演算子学習
- Abstract要約: WiFi Channel State Information (CSI)は、人間のポーズ推定のためのカメラのプライバシー保護の代替として登場した。
既存のアプローチでは、推論を即時回帰問題として扱い、時間的ダイナミクスをモデル化しない。
WiFi CSI から直接人間の動きを予測するためのフレームワーク KOALA を提案する。
- 参考スコア（独自算出の注目度）: 0.1055551340663609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: WiFi Channel State Information (CSI) has emerged as a privacy-preserving alternative to cameras for human pose estimation. However, existing approaches treat pose inference as an instantaneous regression problem and do not model temporal dynamics, making future motion prediction infeasible. Naively applying vision-based prediction methods compounds the estimation noise already present in CSI-derived poses, as autoregressive rollouts amplify errors at every step. We propose KOALA, the framework for human motion prediction directly from WiFi CSI, by lifting noisy CSI-derived pose sequences into a learned Koopman latent space where nonlinear dynamics become linear, enabling multi-horizon prediction via simple matrix-vector products without autoregressive iteration or error accumulation. A residual CSI-conditioned operator resolves the identity attractor problem inherent from Koopman formulations, and an anchor-delta prediction head eliminates the degenerate shortcut of copying the current pose across all horizons. To regularise the lifting and operator jointly, we introduce a Koopman Anchored Latent (KAL) loss that operates in the temporal-encoder feature space, enforcing dynamical consistency across prediction horizons without requiring contrastive, spectral, or auxiliary losses. Experiments on MM-Fi and WiPose show that KOALA achieves robust, consistent performance across both short- and long-term prediction horizons, outperforming all baselines by a substantial margin.
- Abstract（参考訳）: WiFi Channel State Information (CSI)は、人間のポーズ推定のためのカメラのプライバシー保護の代替として登場した。
しかし、既存のアプローチでは、推論を即時回帰問題として扱い、時間的ダイナミクスをモデル化せず、将来の動き予測が実現不可能である。
視覚に基づく予測手法を内在的に適用することは、CSI由来のポーズに既に存在する推定ノイズを合成し、自動回帰ロールアウトは各ステップにおけるエラーを増幅する。
WiFi CSIから直接人動予測を行うためのフレームワークである KOALA を提案し,ノイズの多いCSI由来のポーズシーケンスを非線形ダイナミクスが線形となる学習された Koopman 潜在空間に持ち上げることにより,自動回帰イテレーションやエラー蓄積を伴わずに,単純な行列ベクトル製品によるマルチ水平予測を可能にする。
残留CSI条件演算子は、クープマンの定式化に固有の恒等性誘引問題を解き、アンカーデルタ予測ヘッドは、すべての地平線にわたって現在のポーズをコピーする退化ショートカットを除去する。
昇降と演算子を協調的に正規化するために、時間エンコーダ特徴空間で動作し、コントラスト、スペクトル、補助損失を伴わずに予測地平線を横切る動的整合を強制するクープマンアンコールト遅延(KAL)損失を導入する。
MM-FiとWiPoseの実験により、KOALAは短期および長期の予測地平線をまたいだ堅牢で一貫した性能を達成し、全てのベースラインを実質的なマージンで上回ることを示した。
関連論文リスト
- PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Adversarial Robustness of Deep State Space Models for Forecasting [22.283866173947278]
時系列予測のための状態空間モデル(SSM)は、ベンチマークデータセット上で強力な経験的性能を示した。
まず、デコーダのみの時空アーキテクチャが、基礎となるデータ生成プロセスが自己回帰的である場合、最適なカルマン予測を表現できることを確かめる。
我々は,各脆弱性を増幅するオープンループ不安定性,クローズループ不安定性,デコーダ状態次元を明らかにする逆予測誤差の閉形式境界を導出する。
論文 参考訳（メタデータ） (2026-04-03T19:53:58Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [31.995016095663544]
LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。
提案するフレームワークであるLOPR(Latent Occupancy Prediction)は、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
論文 参考訳（メタデータ） (2024-07-30T18:37:59Z) - CoMusion: Towards Consistent Stochastic Human Motion Prediction via Motion Diffusion [6.862357145175449]
本稿では,単一段階の終端拡散型HMPフレームワークであるCoMusionを提案する。
CoMusionは、スムーズな将来のポーズ予測性能が空間予測性能を改善するという洞察から着想を得ている。
提案手法はTransformer-GCNモジュール設計と分散スケジューラによって促進され,精度,現実性,一貫した動作を予測する。
論文 参考訳（メタデータ） (2023-05-21T19:31:56Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - PoseGPT: Quantization-based 3D Human Motion Generation and Forecasting [16.033044724498296]
本稿では,人間の動きを量子化された潜伏列に内部的に圧縮する自動回帰変換器のPoseGPTを提案する。
GPT(Generative Pretrained Transformer)にインスパイアされた本研究では,その空間における次インデックス予測のために,GPTのようなモデルをトレーニングすることを提案する。
論文 参考訳（メタデータ） (2022-10-19T13:30:39Z) - Multitask Non-Autoregressive Model for Human Motion Prediction [33.98939145212708]
非auToregressive Model (NAT) は、文脈エンコーダと位置エンコードモジュールと同様に、完全な非自己回帰復号方式で提案される。
提案手法はHuman3.6MとCMU-Mocapのベンチマークで評価され,最先端の自己回帰手法よりも優れている。
論文 参考訳（メタデータ） (2020-07-13T15:00:19Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳（メタデータ） (2020-06-19T17:28:07Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z)
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。