論文の概要: CSI-Agent: LLM-Assisted Few-Shot Adaptation for Cross-Domain Wi-Fi CSI Sensing
- arxiv url: http://arxiv.org/abs/2609.31990v1
- Date: Fri, 25 Sep 2026 20:51:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 04:04:15.797152
- Title: CSI-Agent: LLM-Assisted Few-Shot Adaptation for Cross-Domain Wi-Fi CSI Sensing
- Title（参考訳）: CSI-Agent:LLMを用いたクロスドメインWi-FiCSIセンシングのためのFew-Shot適応
- Abstract要約: Wi-Fiチャネル状態情報(CSI)は、人間の活動認識などのデバイスフリーなセンシングアプリケーションを可能にする。
CSI-Agentは,クロスドメインなCSI適応を展開時間決定問題として再構成する,エビデンス探索型LCMエージェントである。
- 参考スコア（独自算出の注目度）: 17.442551289541452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wi-Fi channel state information (CSI) has enabled device-free sensing applications such as human activity recognition. However, CSI sensing models remain brittle in cross-domain deployment, where changes in users or environments can produce incorrect predictions. Existing solutions usually treat this problem as an offline model-design problem, by pretraining a stronger representation or applying one fixed adaptation method to the entire target domain. In practice, labeled target data are scarce and different classes may fail in different ways under the same domain shift. To address this, we propose CSI-Agent, an evidence-seeking LLM agent that reformulates cross-domain CSI adaptation as a deployment-time decision-making problem. Rather than processing raw CSI or making sample-level predictions, CSI-Agent summarizes target-domain behavior into sensing-grounded class-level evidence. It establishes a strong target-adaptive default from complementary CSI views and uses an LLM planner to determine whether each class should retain the default or invoke a specialized action. Deterministic verification and bounded execution further reduce unreliable interventions. We evaluate CSI-Agent on four public datasets using five cross-domain splits covering device, user, environment, and compositional shifts. Under 1-shot adaptation, CSI-Agent achieves the best target-domain performance across all splits and improves the average Macro-F1 by about 16\% compared to the strongest baseline method.
- Abstract（参考訳）: Wi-Fiチャネル状態情報(CSI)は、人間の活動認識などのデバイスフリーなセンシングアプリケーションを可能にする。
しかし、CSIセンシングモデルは、ユーザや環境の変化が誤った予測を生じさせるような、クロスドメインデプロイメントにおいて不安定なままである。
既存のソリューションは通常、より強い表現を事前訓練したり、ターゲット領域全体に1つの固定適応法を適用することで、この問題をオフラインモデル設計問題として扱う。
実際には、ラベル付きターゲットデータは不足しており、異なるクラスは同じドメインシフトの下で異なる方法で失敗する可能性がある。
そこで我々は,CSI-Agentを提案する。CSI-Agentは,クロスドメインCSI適応をデプロイ時の意思決定問題として再構成するエビデンス検索 LLM エージェントである。
CSI-Agentは、生のCSIを処理したり、サンプルレベルの予測を行う代わりに、ターゲットドメインの振る舞いをセンシングされたクラスレベルのエビデンスに要約する。
補完的なCSIビューから強力なターゲット適応型デフォルトを確立し、LLMプランナを使用して、各クラスがデフォルトを保持するべきか、あるいは特別なアクションを呼び出すべきかを判断する。
決定論的検証と有界実行は、さらに信頼性の低い介入を減らす。
CSI-Agentを4つのパブリックデータセットに対して,デバイス,ユーザ,環境,構成シフトをカバーする5つのクロスドメイン分割を用いて評価した。
1ショットの適応の下では、CSI-Agentは全ての分割に対して最高のターゲットドメイン性能を達成し、最強のベースライン法に比べて平均のマクロF1を約16倍改善する。
関連論文リスト
- CSI-JEPA: Towards Foundation Representations for Ubiquitous Sensing with Minimal Supervision [6.226207559281459]
ラベル効率・マルチタスクWi-Fiセンシングのための自己教師付き予測表現学習フレームワークであるCSI-JEPAを提案する。
CSI-JEPAは、ラベルのないCSIサンプルから再利用可能な時間スペクトル表現を学習する。
我々はCSI-JEPAを、様々な目的や配置設定にまたがる7つの実世界のWi-Fiセンシングタスクで評価する。
論文 参考訳（メタデータ） (2026-05-13T22:50:31Z) - 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) - KNN-MMD: Cross Domain Wireless Sensing via Local Distribution Alignment [22.10938305311882]
クロスドメイン無線センシングのためのK-Nearest Maximum Neighbors Mean Discrepancy (KNN-MMD)を提案する。
我々のアプローチは、ターゲットドメインからKNNを使用してヘルプセットを構築し、ソースとターゲットドメイン間の局所的なアライメントを可能にすることから始まります。
また、モデルの性能がエポック間で急激に変動するクロスドメイン手法でよく見られる重要な不安定性問題にも対処する。
論文 参考訳（メタデータ） (2024-12-06T05:20:08Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Towards Online Domain Adaptive Object Detection [79.89082006155135]
既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。
オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-11T17:47:22Z) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳（メタデータ） (2022-03-29T17:50:43Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。
さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2020-03-28T17:46:55Z)
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。