تشهد تقنيات الذكاء الاصطناعي تطورًا ملحوظًا، وخاصة في مجال الكشف عن الأنشطة الإنسانية باستخدام شبكة Wi-Fi. في هذا السياق، يأتي MU-SHOT-Fi كإطار عمل مبتكر يتيح الكشف عن الأنشطة الإنسانية اعتمادًا على معلومات Wi-Fi بطريقة ذاتية التعلم. يعكس هذا الابتكار القدرة على تعلم الميزات الزمانية والمكانية بشكل يحافظ على الخصوصية ويكون فعالًا من حيث التكلفة.

تواجه النماذج القائمة على التعلم العميق (Deep Learning) تحديات كبيرة في التعميم عبر البيئات المختلفة، وهو ما يتفاقم في الحالات التي تشمل أكثر من مستخدم، حيث تؤدي الأنشطة المت overlapping إلى الارتباك في معلومات الإشارة (CSI) وتحولات المجال. ولتجاوز القيود المفروضة على الوصول إلى البيانات المعلّمة بسبب اعتبارات الخصوصية، يتم تحفيز التكيف بدون مصدر باستخدام معلومات الهدف غير المعلّمة ونموذج مصدر مدرب مسبقًا.

MU-SHOT-Fi يقدم حلًا للأزمات الراهنة من خلال تقنيات ذكية مثل توقع مجموعة غير القابلة للتبديل مع مطابقه هنغارية أثناء التدريب على المصدر، يليه تعديل هيكلية مصنف مجمد في مجال الهدف. تعتمد الابتكارات هنا أيضًا على زيادة المعلوماتweighted وفقًا للاحتلال، مما يحافظ على تنوع النموذج ويمنع الانهيار نحو الفئات السائدة.

في الإعدادات الفردية، تم تقديم SU-SHOT-Fi الذي يقوم باستبدال التخصيص بالإشغال بالزيادة القياسية للمعلومات ودمج الترميز التنبؤي التبايني للاستفادة من الاتساق الزمني. تجارب شاملة على مجموعات بيانات WiMANS وWidar 3.0 تثبت قدرة MU-SHOT-Fi في استعادة أداء تصنيف الأنشطة بدقة عالية حتى مع تحولات المجال الكبيرة، مع الحفاظ على تقدير دقيق للاحتلال.

بهذا، يتجلى أن MU-SHOT-Fi يمثل انطلاقة جديدة في عالم الذكاء الاصطناعي، مما يمكننا من الحصول على رؤى أعمق حول الأنشطة الإنسانية من خلال استخدام تكنولوجيا Wi-Fi بشكل فعال. هل أنتم مستعدون للانطلاق في هذه الرحلة؟ شاركونا آرائكم في التعليقات!