FedAPA：面向异构 Wi-Fi CSI 基众测的联邦学习中的自适应原型聚合
机器学习
2025-11-27 v1 人工智能
摘要
基于 Wi-Fi 信道状态信息（CSI）的感知提供了一种非侵入、无设备的方式，用于人类活动识别和人群计数等任务，但由于需要大量现场特定训练数据，难以实现大规模部署。联邦学习（FL）可避免原始数据共享，但面临异构感知数据和设备资源的挑战。本文提出 FedAPA，即一种采用自适应原型聚合（APA）策略的协作 Wi-Fi CSI 基感知算法，通过为同伴原型分配基于相似性的权重，实现自适应客户端贡献，为每个客户端生成而非固定权重的个人化全局原型。在本地训练期间，我们采用一种结合分类学习和表示对比学习的混合目标，以对齐本地和全局知识。我们对 FedAPA 提供了收敛性分析，并在具有六个环境且最多包含 20 个人的真实世界分布式 Wi-Fi 人群计数场景中对其进行评估。结果表明，我们的方法在准确率、F1 分数、平均绝对误差（MAE）和通信开销方面均优于多个基线方法，FedAPA 在准确率上至少提升 9.65%，F1 分数提升 9%，MAE 降低 0.29，通信开销降低 95.94%。
引用
@article{arxiv.2511.21048,
title = {FedAPA: Federated Learning with Adaptive Prototype Aggregation Toward Heterogeneous Wi-Fi CSI-based Crowd Counting},
author = {Jingtao Guo and Yuyi Mao and Ivan Wang-Hei Ho},
journal= {arXiv preprint arXiv:2511.21048},
year = {2025}
}
备注
17 pages, 11 figures, this article was submitted to IEEE for possible publication