A Generalizable Prompt-Based Prototypical Framework for CSI-Based Few-Shot and Cross-Domain Activity Recognition
Notice bibliographique
Résumé
Wireless sensing systems for human activity recognition (HAR) have made great strides in recent years. However, current HAR models face challenges in generalization due to a limited number of training samples (i.e., few-shot problem) and pattern differences of the collected channel state information (CSI) data across diverse domains (i.e., cross-domain problem). To address the above problems, in this paper, we propose a prompt-based prototypical framework called Wi-Prompt. Our Wi-Prompt framework consists of the following three modules: Prompt generation module, prototypical representation module, and activity recognition module, which works as follows. Prompt generation module is developed to extract prior knowledge from samples in the source domains, providing insightful guidance for establishing class prototypes in the target domains. Prototypical representation module effectively captures the most representative prototype vector of each class with a temporal convolutional network (TCN)-attention model. Activity recognition module determines the activity class of new sample by comparing the Euclidean distance between its corresponding prototype vector and the prototype vector of each class. The greatest advantage of Wi-Prompt is its utilization of prompt-based prototype representation, which eliminates the need for prior domain-specific knowledge about the original CSI samples, making it highly adaptable to a wide variety of CSI datasets collected across different domains. Extensive experiment results based on real-world traces show that our proposed Wi-Prompt outperforms state-of-the-art models under various cross-domain 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».