KNN-MMD：通过局部分布对齐的跨域无线感知
计算机视觉与模式识别
2025-12-18 v5 人工智能
信号处理
摘要
无线感知最近在多样化环境中找到了广泛应用，包括家庭、办公室和公共空间。通过分析信道状态信息（CSI）中的模式，可以推断人类行为，用于人员识别、手势识别和跌倒检测等任务。然而，CSI 对环境变化高度敏感，即使微小的改变也可能显著扭曲 CSI 模式。这种敏感性往往导致将在一个环境中训练的无线感知模型应用于另一个环境时性能下降或完全失效。为应对这一挑战，域对齐（DAL）已被广泛采用用于跨域分类任务，因为它专注于在特征空间中对齐源域和目标域的全局分布。尽管其广受欢迎，DAL 往往忽略类别间的关系，这可能导致即使全局对齐达成时类别之间的错位。为克服这些局限性，我们提出了 K 近邻最大均值差异（KNN-MMD），一种用于跨域无线感知的新型少样本方法。我们的方法首先利用目标域中的 KNN 构建辅助集，使源域和目标域在每个类别内使用 MMD 进行局部对齐。此外，我们解决了跨域方法中常见的一个关键不稳定性问题，即模型性能在 epoch 之间剧烈波动。进一步地，由于缺乏目标域的标注数据，大多数现有方法难以确定训练过程中的最优停止点。我们的方法通过在训练期间将辅助集从目标域中排除，并将其用作验证集来确定停止标准。数据集和代码在 https://github.com/RS2002/KNN-MMD 上公开发布。
引用
@article{arxiv.2412.04783,
title = {KNN-MMD: Cross Domain Wireless Sensing via Local Distribution Alignment},
author = {Zijian Zhao and Zhijie Cai and Tingwei Chen and Xiaoyang Li and Hang Li and Qimei Chen and Guangxu Zhu},
journal= {arXiv preprint arXiv:2412.04783},
year = {2025}
}