Generative Latent Alignment for Interpretable Radar Based Occupancy Detection in Ambient Assisted Living

技術要約：解釈可能なレーダー・オキュパンシー検出のための生成潜在的アライメント

問題提起
環境補助生活（AAL）において、人間の存在を継続的に監視することは、安全性と自律性のために極めて重要である。カメラは活動認識に効果的であるが、重大なプライバシーの懸念を引き起こす。ミリ波（mmWave）レーダーは、照明や遮蔽に強く、プライバシーを保護する代替手段となる。しかし、存在検出のために展開されるディープラーニングモデルは、多くの場合、解釈性に欠けている。安全性に関わるヘルスケアの文脈において、この「ブラックボックス」的な性質は、臨床医の信頼やモデルの検証を妨げる。既存のセンシング向け説明可能AI（XAI）手法は、判別モデルに対して事後的に適用されるか、あるいはセンサーデータと人間が理解可能な概念との整合性に失敗しており、抽象的なレーダー信号と意味論的な推論との間にギャップを残している。

手法
著者らは、レーダーのレンジ・アン角（RA）ヒートマップの低次元潜在表現を学習し、それが生成的かつ人間の概念と意味的に整合するように設計された、意味論的レーダー変分オートエンコーダ（VAE）である**生成潜在的アライメント（GLA）**フレームワークを提案している。そのアーキテクチャは、以下の3つのコアコンポーネントで構成される：

1. 意味論的レーダーVAEバックボーン:

   • 入力: 標準的なFMCW処理（Range/Doppler FFTおよびCapon/MVDRビームフォーミング）を通じて、生のmmWave ADCサンプルから導出された2D RA強度特徴マップ（224×224、3チャンネル）。
   • エンコーダ: 空間解像度を224から14へと減少させる4つのストライド畳み込みブロックを備えた軽量な畳み込みネットワーク。その後、平均（$\mu$）と対数分散（$\log \sigma^2$）を出力する対角ガウス分布の線形ヘッドへと続く。
   • デコーダ: 潜在ベクトル $z$ をアップサンプリングして入力RAヒートマップを再構成する、転置畳み込みのスタック。
   • 学習目的: モデルは、微細なRA構造を保持するためのバイナリ・クロスエントロピー再構成損失（$L_{recon}$）と、滑らかな潜在多様体を強制するためのKLダイバージェンス項（$L_{KLD}$）からなる証拠下限（ELBO）を最大化する。

2. テキスト・アンカーによる潜在的アライメント:

   • センサーデータと人間の概念との間の溝を埋めるため、潜在平均 $\mu$ は学習可能な線形層 $W$ を介して投影され、凍結されたCLIPテキストエンコーダからの埋め込みと整合される。
   • 2つの特定のテキストプロンプトが意味論的アンカーとして機能する：「人がいない空の部屋のレーダーヒートマップ（radar heatmap of an empty room without any person）」および「部屋に人がいる状態のレーダーヒートマップ（radar heatmap of a person present in the room）」。
   • 投影された潜在表現とテキストアンカーの温度スケール付きコサイン類似度の間のクロスエントロピーとして計算されるアライメント損失（$L_{align}$）により、潜在空間内のサンプルが対応する意味的概念の近くにクラスタリングされるよう促される。

3. 潜在空間における説明可能性（Latent Grad-CAM）:

   • 本手法は、最終的な分類層にGrad-CAMを適用するのではなく、エンコーダの第3畳み込みブロックに適合させて適用する。
   • 特徴マップに対するクラススコアの勾配をグローバル平均プーリングし、チャネル重みを導出する。これらの重みを特徴マップに適用することでヒートマップ（$L_{CAM}$）を生成する。
   • このマップを入力解像度にアップサンプリングし、ガウス摂動によって平均化することで、存在の決定を支持する空間領域の安定した可視化を実現する。

主な結果
本フレームワークは、「空の部屋」と「人がいる」シナリオを区別するバイナリmmWaveレーダーデータセットを用いて評価された。

• 定性的解釈性: 「人がいる」サンプルに対して、潜在Grad-CAMは、人の反射と一致するコンパクトで鋭く局在化したブロブ（塊）を生成する。逆に、「空の部屋」のサンプルは、背景のクラッタや静的なマルチパス構造と一致する、拡散した、あるいは証拠のないマップを示す。
• アブレーション研究: 著者らは、無関係なテキストプロンプト（例：「空の雲（clouds in the sky）」）を用いたアブレーションを実施した。この条件下では、VAEは粗いRAパターンを依然として再構成できるものの、Grad-CAMによる説明は著しく低下した。「人がいる」クラスは一様で顕著な特徴のないマップを生成し、「空の部屋」クラスは明らかなRA構造と一致しなくなった。これは、意味のある局在化した証拠マップを生成するためには、レーダー固有の意味論的アンカーが不可欠であることを裏付けている。

意義と主張
論文は、GLAフレームワークが、複雑なデコーダヘッドや大規模言語モデルの生成パイプラインを必要とせずに、抽象的なレーダー信号と人間が理解可能な概念との間の表現のギャップを正常に橋渡ししたと主張している。これにより、以下の特性を持つクラス条件付きのエビデンスマップが生成される：

1. RA構造に基づいている: 可視化は、レーダー反射の物理的幾何学と一致している。
2. 意味論的に結びついている: 説明は、ドメイン固有の概念（「空」対「人」）に直接リンクしている。
3. 解釈可能である: 潜在空間Grad-CAMの使用により、オペレーターは「なぜ」その決定がなされたのかを可視化でき、安全性に関わるAALシステムにおける透明性の課題に対処できる。

著者らは、本研究を信頼できるヘルスケアAIへの一歩として位置づけており、意味論的アライメントが、軽量なアーキテクチャを維持しながら、生成的なレーダーモデルの説明可能性を高められることを示している。