统计导向的元学习：分布式光纤传感中的跨部署活动识别
机器学习
2026-04-28 v3 人工智能
机器学习
摘要
分布式光纤传感（DFOS）适用于远程边境安全，但实际部署面临三个关键挑战：严重的跨部署域迁移、新站点标签稀缺或不可用，以及即使在源部署中也存在类别内覆盖范围有限。我们提出了 DUPLE（Dual-domain Prototype Learning for cross-deployment），这是一套针对跨部署 DFOS 识别的原型基准元学习框架。核心思想是联合利用时域和频域线索，并适应样本特定统计信息来调整类别表示：（i）双域学习器构建多原型类别表示以覆盖类别内部异质性；（ii）轻量级统计引导机制从原始信号统计信息中估计每个域的可靠性；（iii）查询自适应聚合策略为每个查询选择并组合最相关的原型。对两个真实跨部署基准的大量实验表明，在标签稀缺的目标部署下，DUPLE 相比强大的深度学习和元学习基线 consistently 实现了准确率和稳定性的提升。
引用
@article{arxiv.2511.17902,
title = {Statistically-Guided Meta-Learning for Cross-Deployment Activity Recognition in Distributed Fiber-Optic Sensing},
author = {Yifan He and Haodong Zhang and Qiuheng Song and Lin Lei and Zhenxuan Zeng and Haoyang He and Hongyan Wu},
journal= {arXiv preprint arXiv:2511.17902},
year = {2026}
}