論文の概要: WiMoT: Replay-Free Continual Wi-Fi Sensing via Moment Transport

• arxiv url: http://arxiv.org/abs/2610.32660v2
• Date: Mon, 26 Oct 2026 15:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.21893
• Title: WiMoT: Replay-Free Continual Wi-Fi Sensing via Moment Transport
• Title（参考訳）: WiMoT:モーメントトランスポートによる再生不要連続Wi-Fiセンシング
• Abstract要約: 連続的なWi-Fiセンシングは、可塑性のバランスを保ち、新しい部屋やユーザーを学習し、安定性を保ち、以前のものを維持する必要がある。 サンプルではなく,各前のドメインのクラスごとの特徴平均と共分散を格納する WiMoT を提案する。 3DO、WiMANS、Widar3.0では、WiMoTの最終的なアキュラティの平均は94.02%、89.61%、95.16%であり、少なくとも0.58ポイント(pp)が忘れられている。
• 参考スコア（独自算出の注目度）: 13.397266323380657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual Wi-Fi sensing must balance plasticity, learning new rooms or users, against stability, keeping earlier ones, yet nodes often cannot retain channel state information (CSI) for privacy and storage reasons. We propose WiMoT (Wi-Fi Moment Transport), which stores the per-class feature mean and covariance of every earlier domain instead of samples. When the representation changes, stored statistics become stale. WiMoT restricts the change to an affine map on a frozen feature basis and applies the same map to the statistics, so they stay valid without old samples. Supervised contrastive learning learns the new domain, a closed-form loss on the stored statistics keeps earlier classes separable, and a Gaussian discriminant classifier, refitted from the transported statistics with equal weight per domain, predicts without domain identity. On 3DO, WiMANS, and Widar3.0, WiMoT's average final accuracies are 94.02%, 89.61%, and 95.16% with at most 0.58 percentage points (pp) of forgetting. On 3DO and Widar3.0, it also has the highest balance of new- and earlier-domain accuracy and is 3.77 and 13.11 pp ahead of the strongest of 21 baselines, which uses replay, staying ahead across domain orders and label budgets. On WiMANS, it matches the strongest replay baseline in accuracy (+0.41 pp) while reducing forgetting from 2.78 to 0.00 pp, and has the highest six-order average accuracy. Because full covariances dominate the memory, storing them as rank-32 factors shrinks the moment memory to 6.4%, losing at most 0.49 pp of accuracy, within edge-node storage budgets.
• Abstract（参考訳）: 連続的なWi-Fiセンシングは、可塑性のバランスをとり、新しい部屋やユーザーを学習し、安定性を保ち、以前のものを維持する必要があるが、ノードはプライバシとストレージのためにチャネル状態情報(CSI)を保持することができないことが多い。 そこで,Wi-Fi Moment Transport(Wi-Fi Moment Transport)を提案する。 表象が変化すると、格納された統計データが陳腐化する。 WiMoTは凍結した特徴ベースでアフィンマップに変更を制限し、統計に同じマップを適用する。 教師付きコントラスト学習は、新しいドメインを学習し、格納された統計値の閉形式損失は、以前のクラスを分離可能な状態に保ち、転送された統計値からドメイン毎に等しい重さで再構成されたガウス判別分類器は、ドメイン識別なしで予測する。 3DO、WiMANS、Widar3.0では、WiMoTの最終的なアキュラティの平均は94.02%、89.61%、95.16%であり、少なくとも0.58ポイント(pp)が忘れられている。 3DOとWidar3.0では、新しいドメインの精度が最も高く、3.77ppと13.11ppは21のベースラインで最強であり、リプレイを使用し、ドメインの注文やラベルの予算に先んじている。 WiMANSでは、最大のリプレイベースライン(+0.41pp)と一致し、2.78から0.00ppに減少し、6次の平均精度を持つ。 完全な共分散がメモリを支配しているため、ランク32因子として記憶するとモーメントメモリは6.4%に縮小し、エッジノードストレージの予算で0.49ppの精度で失われる。

関連論文リスト

• How Hackable Is Your Speech Quality Metric? A Corrected Protocol, a Benchmark, and What Patching Buys [7.819841192602516]
  音声品質予測器は報酬としてますます使われている。 彼らのハッキング可能性に関する合意された尺度は存在しない。 ここでは、訓練を受けた1人の攻撃者が、測定ではなくサンプルであることを示す。
  論文  参考訳（メタデータ） (2026-10-07T20:55:58Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Adapting Without Gradients: Affine Statistics Transport and What Its Certificate Can Tell You [0.8594140167290097]
  テスト時間適応は、モデルパラメータを推論時に更新できると仮定する。 学習したモデルが凍結したままでいなければならない場合、適応性について研究する。 本稿では、ソースクラス統計を識別サブ空間に格納するCASTERを紹介する。
  論文  参考訳（メタデータ） (2026-08-31T21:07:36Z)
• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• DAMP: Decay-Aware Mixed-Precision Recurrent-State Quantization [25.544698411141642]
  Gated DeltaNet (GDN) やKim Delta Attention (KDA) を取り入れた最近の言語モデルは、ほとんどの層でKVキャッシュを固定サイズのリカレントステートに置き換えることで、このコストを削減している。 これらのリカレントステートは一般的にFP32に格納され、かなりのGPUメモリを消費する。 我々は,GDNおよびKDAに基づく言語モデルにおいて,再帰状態の学習後の量子化を初めて研究する。
  論文  参考訳（メタデータ） (2026-08-27T09:11:48Z)
• DG-FedReuse: Proxy-Gradient-Gated Cached-Update Reuse with Matched Sparse Uplink Accounting [0.0]
  DG-FedReuseは、選択したクライアントがキャッシュされた更新にコントリビュートできるようにするシミュレータレベルのメカニズムである。 実験には、6つのイメージ分類データセット、50の仮想クライアント、Dirichletラベルクライアント、3つのシードが含まれている。 DG-FedReuseは83.36-85.42%のモデルで更新データフィールドのアップリンクを節約したが、Top-K FedAvgは76.88%だった。
  論文  参考訳（メタデータ） (2026-08-05T19:30:04Z)
• Voice Memory for Agentic Speech Recognition [66.69623133635868]
  エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。 同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。 10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
  論文  参考訳（メタデータ） (2026-07-29T02:42:56Z)
• Cumsum-Composable Phase Transport for Low-Cost Streaming Keyword Spotting [0.0]
  キーワードスポッティングのためのストリーミングネイティブ時間層であるcumsum-composable phase transportについて検討した。 12のラベルを持つGoogle Speech Commands v2では、mel+cumsumモデルはコンパクトなベースラインと競合する精度を維持している。 一致したcumsum-versus-Pool-scanベンチマークでは、cumsum+windowは94.82%対94.33%と同等の精度を示し、1.07倍高速でトレーニングし、Tesla T4ではシングルサンプルのレイテンシを7.09msから5.01msに短縮した。
  論文  参考訳（メタデータ） (2026-07-22T12:36:53Z)
• Rethinking Bottleneck Structure for Efficient Mobile Network Design [154.47657111869552]
  倒立残差ブロックは最近,モバイルネットワークのアーキテクチャ設計を支配している。 この構造を反転させ,より高次元でのアイデンティティマッピングと空間変換を行うサンドグラスブロックと呼ばれる新しいボトルネック設計を提案する。 ImageNet分類では、パラメータや計算量を増やすことなく、逆残差ブロックを砂時計ブロックに置き換えることによって、MobileNetV2よりも1.7%以上精度を向上することができる。
  論文  参考訳（メタデータ） (2020-07-05T08:55:26Z)

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。