BTS: Bifold Teacher-Student in Semi-Supervised Learning for Indoor Two-Room Presence Detection Under Time-Varying CSI

要約

タイトル：BTS：時変CSI下の屋内2室存在検知のための半教師付き学習におけるバイフォールドティーチャー・スチューデント

要約：
– 家庭内で勉強形学習（SL）とチャネル状態情報（CSI）に基づく人気の存在検知が注目されている。しかしながら、CSIの空間情報に頼る現存研究は、対象の移動、気象条件、及び機器の再起動のような環境変更に弱く、推測精度が低下してしまう。また、SLに基づく方法は再学習モデルのために時間を要求する。従って、半教師付き学習（SSL）ベースの手段を用いて、継続的に監視されたモデルライフサイクルを設計することが不可欠である。
– 本研究では、部分的にラベル付けされたデータセットとラベルのないデータセットを利用してSSLを組み合わせ、存在検出システムのバイフォールドティーチャー・スチューデント（BTS）学習法を提唱する。提案されたプライマルデュアルのティーチャースチューデントネットワークは、ラベル付きおよびラベルのないCSIから空間的および時間的特徴を知的に学習する。さらに、強化された罰則損失関数は、エントロピーと距離尺度を利用して、時変効果に影響を受けて原来の分布から変更された新しいデータセットの特徴、つまり漂流データを識別する。
– 実験結果により、ラベルなしのBTSは、ラベルなしのデータでモデルを再学習した後も漸近的な精度を維持できることが示された。さらに、ラベルフリーBTSは、SLベースの方法の漸近的パフォーマンスを達成しながら、既存のSSLベースのモデルよりも高い検出精度を達成している。

要約(オリジナル)

In recent years, indoor human presence detection based on supervised learning (SL) and channel state information (CSI) has attracted much attention. However, the existing studies that rely on spatial information of CSI are susceptible to environmental changes, such as object movement, atmospheric factors, and machine rebooting, which degrade prediction accuracy. Moreover, SL-based methods require time-consuming labeling for retraining models. Therefore, it is imperative to design a continuously monitored model life-cycle using a semi-supervised learning (SSL) based scheme. In this paper, we conceive a bifold teacher-student (BTS) learning approach for presence detection systems that combines SSL by utilizing partially labeled and unlabeled datasets. The proposed primal-dual teacher-student network intelligently learns spatial and temporal features from labeled and unlabeled CSI. Additionally, the enhanced penalized loss function leverages entropy and distance measures to distinguish drifted data, i.e., features of new datasets affected by time-varying effects and altered from the original distribution. The experimental results demonstrate that the proposed BTS system sustains asymptotic accuracy after retraining the model with unlabeled data. Furthermore, the label-free BTS outperforms existing SSL-based models in terms of the highest detection accuracy while achieving the asymptotic performance of SL-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI