寻找缺失数据：一种受BERT启发的无线感知丢包应对方法
机器学习
2024-12-10 v1 人工智能
信号处理
摘要
尽管针对 Wi-Fi 感知已开发出多种深度学习方法，但数据包丢失常导致信道状态信息（CSI）的非连续估计，从而对学习模型的性能产生负面影响。为克服这一挑战，我们提出了一种基于 Transformer 双向编码器表示（BERT）的深度学习模型用于 CSI 恢复，名为 CSI-BERT。CSI-BERT 可以在目标数据集上以自监督方式进行训练，无需额外数据。此外，与一次仅关注一个子载波的传统插值方法不同，CSI-BERT 能捕捉不同子载波间的序列关系。实验结果表明，即使面对高丢失率，CSI-BERT 相比传统插值方法也能实现更低的错误率和更快的速度。而且，通过利用 CSI-BERT 恢复的 CSI，其他深度学习模型（如残差网络和循环神经网络）在 Wi-Fi 感知任务中的准确率平均可提高约 15%。我们收集的数据集 WiGesture 和模型代码已在 https://github.com/RS2002/CSI-BERT 公开。
引用
@article{arxiv.2403.12400,
title = {Finding the Missing Data: A BERT-inspired Approach Against Package Loss in Wireless Sensing},
author = {Zijian Zhao and Tingwei Chen and Fanyi Meng and Hang Li and Xiaoyang Li and Guangxu Zhu},
journal= {arXiv preprint arXiv:2403.12400},
year = {2024}
}
备注
6 pages, accepted by IEEE INFOCOM Deepwireless Workshop 2024