Chorus：面向 IoT 的数据无关模型定制化的情境感知方法
机器学习
2026-03-17 v2
摘要
可扩展 IoT 感知的关键瓶颈之一是如何高效地适应 AI 模型以应对新的部署条件。在实际 IoT 系统中，传感器数据是在多样化情境下收集的，如传感器布置或环境条件，这些因素会改变信号模式并影响下游性能。传统的域适应和泛化方法往往忽略此类情境信息，或采用过于简单的方式加以整合，在部署后遇及未见情境变化时效果不佳。本文提出一种名为 Chorus 的情境感知、数据无关的模型定制化方法，可在不需目标域数据的情况下适应未见部署条件。核心思想是学习捕获情境因素如何影响传感器数据的情境表示，并将其作为结构化先验用于未见情境下的定制化。具体而言，Chorus 通过双向跨模态重构学习共享的传感-情境潜在空间，并对情境嵌入空间进行正则化，以获得紧凑且可泛化的情境表示。基于对齐的表示，Chorus 使用有限的标注数据训练轻量级 gated head，以在推理时利用情境先验。我们还引入情境缓存机制，在未检测到情境变化时复用缓存的情境表示，从而显著降低手机端的推理开销。在 IMU、语音增强和 WiFi 感知等任务的多样化情境变化实验中，Chorus 在未见情境下的性能优于最新基线方法，可提升最高达 20.2%，且在缓存推理延迟接近仅使用传感器的部署水平，同时在持续情境转换下保持稳定性能。Chorus 性能演示视频可在 https://youtu.be/ZBdro0jPNkE 查看。
引用
@article{arxiv.2512.15206,
title = {Chorus: Harmonizing Context and Sensing Signals for Data-Free Model Customization in IoT},
author = {Liyu Zhang and Yejia Liu and Kwun Ho Liu and Runxi Huang and Xiaomin Ouyang},
journal= {arXiv preprint arXiv:2512.15206},
year = {2026}
}