arXiv cs.AI· Chunchun Yang, Yang Cao, Zhitang Chen·· 11 小时前AI 评分22
WiMoT：无需回放的持续 Wi-Fi 感知，用矩传输保持旧域统计量
WiMoT: Replay-Free Continual Wi-Fi Sensing via Moment Transport
AI 导读
WiMoT 提出一种无需回放的持续 Wi-Fi 感知方法，不保存 CSI 样本，而是存储每个旧域的特征均值与协方差，并通过冻结特征基上的仿射映射让统计量在表示变化后依然有效。
正文 · AI 翻译
摘要：持续 Wi-Fi 感知必须在可塑性（学习新房间或新用户）与稳定性（保留先前房间或用户）之间取得平衡，然而由于隐私和存储原因，节点往往无法保留信道状态信息（CSI）。我们提出 WiMoT（Wi-Fi Moment Transport），它存储每个先前域各类别的特征均值和协方差，而非样本。当表示发生变化时，存储的统计量会过时。WiMoT 将变化限制在冻结特征基上的仿射映射，并对统计量施加同一映射，使其无需旧样本即可保持有效。监督对比学习学习新域，基于存储统计量的闭式损失保持先前类别的可分性，而高斯判别分类器由传输后的统计量重新拟合、每个域等权重，无需域身份即可预测。在 3DO、WiMANS 和 Widar3.0 上，WiMoT 的平均最终准确率分别为 94.02%、89.61% 和 95.16%，遗忘最多 0.58 个百分点（pp）。在 3DO 和 Widar3.0 上，它在新域与先前域准确率之间也取得了最佳平衡，分别领先 21 个基线中最强者 3.77 和 13.11 pp，该最强基线使用回放，且在不同域顺序和标签预算下均保持领先。在 WiMANS 上，其准确率与最强回放基线持平（+0.41 pp），同时将遗忘从 2.78 pp 降至 0.00 pp，并具有最高的六顺序平均准确率。由于完整协方差占据主要内存，将其存储为秩 32 因子可将矩内存缩减至 6.4%，准确率损失最多 0.49 pp，处于边缘节点存储预算之内。
| 评论： | 13 页，6 幅图，9 张表。投稿至 IEEE Internet of Things Journal。代码：此 https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32660 [cs.AI] |
| （或 arXiv:2610.32660v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32660 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chunchun Yang [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 14:05:37 UTC（71 KB）
来源：arXiv cs.AI · arxiv.org