A Graph Neural Network-Based Dual Attention Fusion Network for CSI-Based Activity Recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the past decade, Channel State Information (CSI)-based human activity recognition (HAR) has attracted wide attention. Despite significant advancements, existing CSI-based HAR methods primarily face two critical challenges: 1) how to exploit intrinsic hierarchical spatial correlations spanning adjacent sub-carriers while maintaining global awareness of entire CSI series; 2) how to establish a cross-dimensional (e.g., spatial, temporal) optimization framework that enables effective information fusion across distinct feature domains to achieve robust CSI series prediction. To address these challenges, we propose Wi-DualAtt, a novel graph neural network(GNN)-based CSI feature extraction network, specifically designed for the effective fusion of spatial and temporal dimensions. The proposed Wi-DualAtt is composed of three key components: a graph attention network (GAT)-based hierarchical correlation attention network (GHCAN), a temporal feature attention network (TFAN), and a prediction fusion module (PFM). Specifically, GHCAN employs spatial attention to capture the hierarchical correlation among all sub-carriers. Meanwhile, TFAN utilizes an attention layer to extract significant temporal features from CSI samples. Finally, PFM integrates the recognition results from the aforementioned two components, utilizing a knowledge distillation mechanism to form the final recognition result, thereby enhancing the recognition capability for CSI-based HAR systems. Extensive experimental results demonstrate that Wi-DualAtt outperforms several state-of-the-art models, achieving recognition accuracy exceeding 99% across various CSI-based activity recognition scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle