En este momento estás viendo 
<span class="bsf-rt-reading-time"><span class="bsf-rt-display-label" prefix="Tiempo de lectura"></span> <span class="bsf-rt-display-time" reading_time="2"></span> <span class="bsf-rt-display-postfix" postfix="mins"></span></span><!-- .bsf-rt-reading-time -->Hacia el reconocimiento de actividad humana basado en CSI Wi-Fi causalmente interpretable con compresión latente discreta y extracción de reglas LTL

Hacia el reconocimiento de actividad humana basado en CSI Wi-Fi causalmente interpretable con compresión latente discreta y extracción de reglas LTL

  • Autor de la entrada:
  • Categoría de la entrada:Noticias externas

Resumen:Abordamos el Reconocimiento de Actividad Humana (HAR) utilizando Información de Estado del Canal Wi-Fi (CSI) bajo los requisitos conjuntos de interpretabilidad causal, controlabilidad simbólica y operación directa en señales sin procesar de alta dimensión. Los modelos neuronales profundos logran un sólido rendimiento predictivo en HAR (CHAR) basado en CSI, pero se basan en representaciones latentes continuas que son opacas y difíciles de modificar; Los enfoques puramente simbólicos, por el contrario, no pueden procesar flujos CSI en bruto. Proponemos una tubería completamente automática y estrictamente desacoplada en la que las ventanas de magnitud CSI se comprimen mediante un codificador automático variacional categórico con variables latentes Gumbel-Softmax bajo un objetivo controlado por capacidad, lo que produce una representación discreta compacta. Luego, el codificador se congela y se utiliza como un mapeo determinista de trayectorias latentes puntuales. El descubrimiento causal se realiza en estas trayectorias para estimar gráficos de dependencia temporal condicionales de clase. Las dependencias rezagadas respaldadas estadísticamente se traducen en reglas de lógica temporal lineal (LTL), lo que produce un clasificador totalmente simbólico y determinista basado únicamente en la evaluación y agregación de reglas, sin ninguna cabeza discriminativa aprendida. Debido a que las reglas se definen sobre variables latentes discretas, los conjuntos de reglas específicas de la antena, en principio, se pueden combinar a nivel simbólico, lo que permite una fusión estructurada de múltiples antenas sin volver a entrenar el codificador. Los resultados de la extracción de reglas temporales latentes de CHAR (CHARL-TRE) indican un desempeño competitivo al tiempo que preservan la estructura temporal y causal explícita, lo que muestra que la clasificación simbólica determinista basada en representaciones latentes discretas no supervisadas constituye una alternativa viable a los modelos de caja negra de extremo a extremo para HAR inalámbrico.

Publicado originalmente en export.arxiv.org el 27 de abril de 2026.
Ver fuente original

admin

Usuario de administración del sitio web