A Cross-Domain Intelligent Wireless Sensing Algorithm Based on Federated Learning and Blockchain
Notice bibliographique
Résumé
Wireless sensing technology, analyzing signal propagation to sense environments, has advanced in smart homes, health monitoring and security. However, massive data and dynamic communication environments expose limitations in traditional methods: weak security, poor feature extraction, and high environmental dependency. To address these challenges in complex cross-domain scenarios, this paper proposes a collaborative secure framework FL-BLC, which integrates federated learning (FL) and blockchain (BLC), and designs the DB-SE-Yolov8 cross-domain intelligent sensing algorithm. The FL-BLC framework ensures tamper-proof transmission and data privacy by encrypting and hash-verifying locally trained model parameters before batch-writing them to the blockchain. The DB-SE-Yolov8 algorithm employs a dual-branch(DB) design: the upper branch employs average adaptive pooling for global features, while the lower branch employs the Squeeze-and-Excitation (SE) attention mechanism for attention features. A gating mechanism dynamically fuses multi-scale features, reducing complexity and enhancing accuracy across diverse scenarios. Compared with Dual-Attention CSI Network, Environment Independent and Joint Adversarial Domain Adaptation algorithms, DB-SE-Yolov8 significantly improves in-domain and cross-domain sensing performance. For cross-location and cross-orientation scenarios, the sensing accuracy is improved by 7.16% and 8.84%, while sensing efficiency is improved by 10.85% and 11.67%, respectively.
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.
Comment cette classification a été obtenuedéplier
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,013 | 0,023 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».