CrossFi: إطار للحس المعرفي عبر المجالات باستخدام شبكة سيامية

في السنوات الأخيرة، حظي استشعار الواي فاي (Wi-Fi Sensing) باهتمام كبير نظرًا لفوائده العديدة مثل حماية الخصوصية، التكلفة المنخفضة، وقدرة الاختراق. تم إجراء العديد من الدراسات في هذا المجال، ركزت على مجالات مثل التعرف على الإيماءات، تحديد الأشخاص، وكشف السقوط. ومع ذلك، تواجه العديد من الأساليب القائمة على البيانات تحديات مرتبطة بالتحول النمطي (Domain Shift)، حيث يفشل النموذج في الأداء بشكل جيد في بيئات مختلفة عن بيانات التدريب. أحد العوامل الرئيسية المساهمة في هذه المشكلة هو توفر محدود لقواعد بيانات استشعار الواي فاي، مما يجعل النماذج تتعلم معلومات غير ذات صلة بشكل مفرط وتتكيف بشكل زائد مع مجموعة التدريب. للأسف، جمع قاعدة بيانات كبيرة لاستشعار الواي فاي عبر سيناريوهات متنوعة هو مهمة صعبة.لحل هذه المشكلة، نقترح CrossFi، وهو نهج يستند إلى شبكة سيامية (Siamese Network) ويتميز بأدائه الممتاز في السيناريوهات ضمن المجال وفي السيناريوهات عبر المجال، بما في ذلك السيناريوهات ذات الطلقات القليلة والسيناريوهات الصفرية وحتى يعمل في سيناريو جديد ذو طلقات قليلة حيث تحتوي مجموعة الاختبار على فئات جديدة. المكون الرئيسي لـ CrossFi هو شبكة حساب التشابه بين العينات تُسمى CSi-Net، والتي تحسن بنية الشبكة السيامية باستخدام آلية الانتباه (Attention Mechanism) لالتقاط معلومات التشابه بدلاً من حساب المسافة أو التشابه الجيب تمامًا فقط.بناءً عليه، طورنا شبكة وزنية إضافية تُسمى Weight-Net يمكنها إنشاء قالب لكل فئة بحيث يمكن لـ CrossFi العمل في سيناريوهات مختلفة. أظهرت نتائج التجارب أن CrossFi يحقق أداءً متقدمًا على مستوى الحالة الفنية (State-of-the-Art) عبر مختلف السيناريوهات. في مهمة التعرف على الإيماءات، حقق CrossFi دقة بنسبة 98.17% في السيناريو ضمن المجال، 91.72% في سيناريو عبر المجال بطلقة واحدة (One-Shot Cross-Domain Scenario)، 64.81% في سيناريو عبر المجال الصفرية (Zero-Shot Cross-Domain Scenario)، و84.75% في سيناريو الفئة الجديدة بطلقة واحدة (One-Shot New-Class Scenario). الكود الخاص بنموذجنا متاح للعامة على الرابط https://github.com/RS2002/CrossFi.