规模决定何者计数，遮蔽决定何者重要：评估面向零-shot跨域Wi-Fi感知的基础模型
计算机视觉与模式识别
2025-11-25 v1 信息论
math.IT
摘要
虽然Wi-Fi感知提供了一种具有隐私保护的摄像机替代方案，但其实际效用因缺乏跨域鲁棒性而受到严重削弱。在不同环境、硬件或用户间训练的模型难以推广到新情境，这一“域迁移”问题因数据集有限且碎片化而加剧。我们转变范式，应用基础模型方法，对利用遮蔽自编码（MAE）风格的预训练在迄今为止最大且最异构的Wi-Fi CSI数据集集合上进行预训练。我们的研究在超过130万个样本、使用4种设备、覆盖2.4/5/6 GHz频段及20-160 MHz带宽的14个数据集上进行预训练和评估。我们的大规模评估首次系统地消解了数据多样性与模型容量对跨域性能的影响。结果揭示了Wi-Fi CSI感知的规模趋势。首先，实验表明，在未见的域中性能随预训练数据量的增加而呈对数线性提升，表明数据规模和多样性是域泛化的关键。其次，基于当前数据量，更大的模型仅为跨域性能提供有限的提升，表明数据而非模型容量是Wi-Fi感知泛化的当前瓶颈。最后，我们在人体动作识别、人体手势识别和用户识别等跨域评估中进行实验。结果显示，大规模预训练相对于监督学习基线可实现2.2%至15.7%的跨域准确率提升。总体而言，我们的发现为设计能够最终具备实用部署鲁棒性的Wi-Fi感知系统提供了具有洞察性的指导方向。
引用
@article{arxiv.2511.18792,
title = {Scale What Counts, Mask What Matters: Evaluating Foundation Models for Zero-Shot Cross-Domain Wi-Fi Sensing},
author = {Cheng Jiang and Yihe Yan and Yanxiang Wang and Chun Tung Chou and Wen Hu},
journal= {arXiv preprint arXiv:2511.18792},
year = {2025}
}