MU-SHOT-Fi: 소스 데이터 없이 학습하는 다중 사용자 Wi-Fi 센싱을 위한 자기 지도 기반 프레임워크

MU-SHOT-Fi: Self-Supervised Multi-User Wi-Fi Sensing with Source-free Unsupervised Domain Adaptation

딥 러닝은 개인 정보 보호 및 비용 효율적인 방식으로 공간-시간 특징을 학습할 수 있기 때문에 Wi-Fi 채널 상태 정보(CSI) 기반의 인간 활동 인식(HAR)에 널리 사용되어 왔습니다. 그러나 딥 러닝 기반 모델은 환경 간의 일반화 성능이 좋지 않으며, 특히 활동이 겹치는 다중 사용자 환경에서는 CSI 간의 상호 작용 및 도메인 변화가 이러한 문제를 더욱 악화시킵니다. 실제 배포 시에는 개인 정보 보호 제약으로 인해 레이블이 있는 소스 데이터에 대한 접근이 제한되는 경우가 많으므로, 본 논문에서는 레이블이 없는 타겟 도메인 CSI와 사전 훈련된 소스 모델만을 사용하여 소스 데이터 없이 도메인 적응을 수행하는 방법을 제안합니다. 본 논문에서는 단일 및 다중 사용자 Wi-Fi 센싱을 위한 소스 데이터가 없는 자기 지도 도메인 적응 프레임워크인 MU-SHOT-Fi를 제안합니다. MU-SHOT-Fi는 소스 모델 훈련 단계에서 순열 불변 집합 예측과 헝가리안 매칭을 사용하고, 타겟 도메인에서는 동결된 분류기 기반의 적응을 수행합니다. 레이블 없이 안정적인 적응을 가능하게 하기 위해, 모델 붕괴를 방지하기 위해 가능성이 높은 사용 슬롯에 다양성 정규화를 적용하고, 주요 클래스를 주변 엔트로피 계산에서 제외하는 점유율 가중 정보 극대화를 도입합니다. 또한, CSI의 주파수-시간 구조를 활용하여 도메인 불변 특징을 학습하는 공간 자기 지도 방식으로 이진 회전 예측을 사용합니다. 단일 사용자 시나리오의 경우, 점유율 가중치를 표준 정보 극대화로 대체하고, 시간적 일관성을 활용하기 위해 대비 예측 코딩을 통합하여 SU-SHOT-Fi를 제안합니다. WiMANS 및 Widar 3.0 데이터 세트에 대한 광범위한 실험을 통해 MU-SHOT-Fi가 다양한 환경, 주파수, 방향 및 결합된 도메인 변화를 포함하는 조건에서 다중 사용자 활동 분류 성능을 효과적으로 복원하고, 정확한 점유율 추정을 유지하며, 주요 클래스에 대한 붕괴를 방지하는 것을 보여줍니다.

Deep learning has been widely adopted for WiFi CSI-based human activity recognition (HAR) due to its ability to learn spatio-temporal features in a privacy-preserving and cost-effective manner. However, DL-based models generalize poorly across environments, a challenge amplified in multi-user settings where overlapping activities cause CSI entanglement and domain shifts. Practical deployments often limit access to labeled source data due to privacy constraints, motivating source-free adaptation using only unlabeled target-domain CSI and a pre-trained source model. In this paper, we propose MU-SHOT-Fi, a source-free unsupervised domain adaptation framework for single- and multi-user Wi-Fi sensing. MU-SHOT-Fi employs permutation-invariant set prediction with Hungarian matching during source training, followed by frozen-classifier backbone adaptation in the target domain. To enable stable adaptation without labels, we introduce occupancy-weighted information maximization that prevents model collapse by focusing diversity regularization on likely-occupied slots while excluding the dominant class from marginal entropy. Additionally, we employ binary rotation prediction as spatial self-supervision that exploits CSI frequency-time structure to learn domain-invariant features. For single-user scenarios, we introduce SU-SHOT-Fi by replacing occupancy weighting with standard information maximization and incorporating contrastive predictive coding to exploit temporal consistency. Extensive experiments on the WiMANS and Widar 3.0 datasets across cross-environment, cross-frequency, cross-orientation, and combined domain shifts demonstrate that MU-SHOT-Fi effectively recovers multi-user exact-activity classification performance under large domain shifts while maintaining accurate occupancy estimation and preventing collapse toward dominant classes.