Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing

要約

デバイスフリーのワイヤレス センシングは、幅広い没入型のヒューマン マシン インタラクティブ アプリケーションをサポートできる可能性があるため、最近大きな関心を集めています。
しかし、無線信号におけるデータの異質性と分散センシングのデータプライバシー規制は、大規模エリアネットワーキングシステムにおける無線センシングの広範な応用を妨げる大きな課題であると考えられてきました。
無線受信機によって記録された信号が一連の物理層の意味論的特徴と密接に関連しているという観察を動機として、この論文では、1 つまたは限られた数の場所で構築されたモデルを可能にする新しいゼロショット無線センシング ソリューションを提案します。
ラベル付きデータなしで他の場所に直接転送されます。
私たちは、物理層のセマンティック機能とさまざまな受信機にわたるセンシング データの分布の間の相関関係を特徴付けるための、新しい物理層セマンティック認識ネットワーク (pSAN) フレームワークを開発します。
次に、各受信機が他の受信機のすでに構築されたモデルを直接集約することによって、位置固有のジェスチャ認識モデルを取得できる、pSAN ベースのゼロショット学習ソリューションを提案します。
私たちの提案したソリューションによって得られたモデルが、ローカル モデルのトレーニングを必要とせずに最適なモデルに近づくことができることを理論的に証明します。
実験結果は、私たちが提案したソリューションによって導出されたモデルの精度が、教師あり学習アプローチに基づいて実際のラベル付きデータによってトレーニングされたモデルの精度と一致することを再度検証しました。

要約(オリジナル)

Device-free wireless sensing has recently attracted significant interest due to its potential to support a wide range of immersive human-machine interactive applications. However, data heterogeneity in wireless signals and data privacy regulation of distributed sensing have been considered as the major challenges that hinder the wide applications of wireless sensing in large area networking systems. Motivated by the observation that signals recorded by wireless receivers are closely related to a set of physical-layer semantic features, in this paper we propose a novel zero-shot wireless sensing solution that allows models constructed in one or a limited number of locations to be directly transferred to other locations without any labeled data. We develop a novel physical-layer semantic-aware network (pSAN) framework to characterize the correlation between physical-layer semantic features and the sensing data distributions across different receivers. We then propose a pSAN-based zero-shot learning solution in which each receiver can obtain a location-specific gesture recognition model by directly aggregating the already constructed models of other receivers. We theoretically prove that models obtained by our proposed solution can approach the optimal model without requiring any local model training. Experimental results once again verify that the accuracy of models derived by our proposed solution matches that of the models trained by the real labeled data based on supervised learning approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google