精选今天0 投票
迈向因果可解释的Wi-Fi CSI人体活动识别：离散潜在压缩与LTL规则提取
概述
近日，一篇来自多所大学和研究机构的联合论文提出了一种融合深度学习与符号推理的新方法，旨在解决Wi-Fi信道状态信息（CSI）人体活动识别（HAR）中的因果可解释性问题。该研究已被FUSION 2026会议接收。
核心挑战
基于Wi-Fi CSI的人体活动识别（CHAR）利用无线信号反射来感知人体动作，在智能家居、医疗监护等领域前景广阔。然而，现有深度神经网络模型虽性能出色，但其连续潜在表示如同“黑箱”，难以理解决策依据，也无法被人工修改或控制。纯符号方法虽可解释，却又无法直接处理高维原始CSI信号。
创新方案
研究团队提出了一种全自动、严格解耦的管线，分为三个阶段：
- 离散潜在压缩：使用分类变分自编码器（Categorical VAE） 配合Gumbel-Softmax技巧，将CSI幅度窗口压缩为紧凑的离散潜在表示。通过容量控制目标，模型自动学习有意义的离散编码。
- 因果发现：冻结编码器，将其作为确定性映射，生成独热潜在轨迹。然后在这些轨迹上进行因果发现，估计类别条件时间依赖图。
- 符号规则提取：将统计支持的滞后依赖关系转化为线性时序逻辑（LTL）规则，构成完全符号化、确定性的分类器。规则仅基于规则评估与聚合，无需任何可学习的判别头。
关键优势
- 因果可解释性：LTL规则直接揭示哪些时间窗口的哪些潜在状态导致特定活动，决策过程透明。
- 符号可控性：规则可被人工检查、修改或组合，例如不同天线的规则集可在符号层面融合，无需重新训练编码器。
- 竞争力性能：在CHAR数据集上的实验（称为CHARL-TRE）表明，该方法的性能与端到端黑箱模型相当，同时保留了显式的时序与因果结构。
行业意义
这项工作为无线感知领域提供了一条通往可信AI的可行路径。在需要高可靠性和可审计性的应用（如医疗健康、安全监控）中，因果可解释的HAR系统比纯黑箱模型更具优势。此外，该方法无需大量标注数据即可提取结构化知识，有望推动边缘设备上的轻量级、可解释感知发展。