Scene-Adaptive Continual Learning for CSI-based Human Activity Recognition with Mixture of Experts¶
论文基本信息¶
- arXiv ID: 2605.06447
- 发表时间: 2026-05-07
- 作者: Wenhan Zheng, Yuyi Mao, Ivan Wang-Hei Ho
- 方向: 持续学习、端侧AI、人体活动识别
- 类别: cs.LG
摘要¶
基于信道状态信息（CSI）的人体活动识别（HAR）在跨不同物理环境的域迁移面前容易出现性能下降。持续学习（CL）提供了一种原则性方法，使模型能够顺序学习新领域同时保留过去知识，但现有 CSI-HAR 的 CL 解决方案存在以下问题：
- 随领域累积而扩展性差
- 依赖大型重放缓冲区
- 推理成本线性增长
本文提出 Scene-Adaptive Mixture of Experts with Clustered Specialists (SAMoE-C)，将跨域 CSI-HAR 建模为专家混合系统，通过基于注意力的语义路由器实现场景特定适配——对每个输入只激活选定的专家。此外，开发了一种新的训练协议，只需极小的重放缓冲区即可稳定路由器的域判别能力。
在四场景 CSI 数据集上的实验结果表明，SAMoE-C 达到了接近最优的准确率，同时保持了显著更低的推理成本。
核心贡献¶
- 场景自适应 MoE 架构：将 CSI-HAR 建模为专家混合系统，支持场景特定适配
- 注意力语义路由器：只激活与输入相关的专家，避免线性增长的推理成本
- 轻量训练协议：极小重放缓冲区即可稳定域判别能力
- 可扩展的跨域部署：模块化专家组合 + 选择性激活 + 轻量训练
为什么重要¶
- 解决了 CSI-HAR 的核心挑战：域迁移导致的性能退化
- 高效的资源利用：通过选择性专家激活避免全量计算
- 实用的持续学习方案：轻量缓冲区设计适合真实部署场景
与移动端/端侧的相关性¶
- 低推理成本：选择性专家激活特别适合移动/可穿戴设备
- 轻量训练：小缓冲区需求降低了端侧持续学习的资源门槛
- 场景自适应：适合需要适应不同环境的移动应用（如不同房间、不同设备位置）
关键方法细节¶
SAMoE-C 架构¶
- 专家模块：针对不同场景/域的专用专家
- 注意力路由器：基于输入特征选择最相关的专家子集
- 簇内专家协同：相关专家被组织成簇，簇内共享知识
训练协议¶
- 小型重放缓冲区存储历史样本
- 路由器判别能力稳定化
- 域适应与专家选择联合优化
实验结果¶
- 四场景 CSI 数据集
- 接近 SOTA 的准确率
- 显著更低的推理成本
- 低训练开销
参考文献¶
- 持续学习与灾难性遗忘相关研究
- 专家混合系统（MoE）相关工作
- 人体活动识别（HAR）相关研究