技術要約：サンプルの経過時間（Age of Samples）を活用したリソース効率の高いWiFi CSIセンシング

問題提起

WiFiチャネル状態情報（CSI）センシングは、ウェアラブルデバイスなしで人間の活動や個体識別を行う強力な技術である。しかし、既存の高精度モデルの多くは、高密度かつ規則的な高レートのCSIサンプリングを前提としている。実用的なシナリオ、特にIEEE 802.11bfにおける統合センシングおよび通信（ISAC）の標準化においては、センシングはデータ通信と共存しなければならない。この共存により、新鮮なCSI測定値を取得するために利用可能なタイムスロットの割合が制限されるという、厳格な平均センシング予算が課される。さらに、パケット損失やトラフィックに起因する不規則性により、非一様なサンプリング間隔が発生する。

疎または不規則なCSIに対する現在のアプローチは、主に以下の3つのカテゴリに分類される：

1. 再構成手法： 推論前に疎なデータから密なCSIを復元しようとするが、計算量が増大し、再構成誤差が生じる可能性がある。
2. リソース選択手法： サブキャリアやアンテナを削減するが、時間的なサンプリングレートについてはしばるとに無視される。
3. 時間認識アテンションモデル（例：UniFi）： 絶対的なタイムスタンプを埋め込み、データを一様なグリッド上に補間する。しかし、これらの手法は平均センシング予算の関数として精度を明示的に評価しておらず、情報の経過時間（Age of Information: AoI）——すなわちサンプルが取得されてからの経過時間——を学習可能な特徴量として活用していない。

したがって、大きな計算オーバーヘッドを発生させることなく、厳格なリソース制約下でサンプルの鮮度（AoI）を明示的に考慮できるセンシングフレームワークが必要とされている。

手法

システムモデルとサンプリング制約

著者らは、$T$ 個の離散タイムスロットからなる測定セッション内での問題を定式化している。平均センシング予算 $\alpha \in (0, 1]$ が、CSIサンプルを取得するスロットの割合を制約する。異なる実用的なレジームをモデル化するために、2つの固定サンプリングポリシーを検討している：

• 決定論的（累積/ブレゼンハム）ポリシー： セッション全体に $M$ 個のセンシングスロットをほぼ均一に分散させる。これは、スケジュールされた専用センシングをモデル化している。
• 確率論的（ベルヌーイ）ポリシー： 確率 $\alpha$ で独立にスロットをサンプリングする。これは、ランダムなパケット損失やトラフィックに起因する不規則性をモデル化している。

$m$ 番目のセンシングフレームの「経過時間（age）」$\delta(t_m)$ は、決定時点（$T-1$）に対するキャプチャからの経過時間として定義される：$\delta(t_m) = (T-1) - t_m$。この指標は、MAC層で利用可能なゼロオーバーヘッドのサイド信号として扱われる。

提案フレームワーク：Age-Aware WiFi Sensing

著者らは、サンプルの鮮度をモデル訓練に明示的に組み込む、低コストなAge-aware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で構成される：

1. パックされた観測（Packed Observation）： 未センシングのスロットで古いフレームを保持し続けるのではなく、入力は各フレームに年齢が付与された $M$ 個のパックされたフレームの集合 $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$ となる。
2. CSIエンコーダ： パックされたCSIテンソル（アンテナ $\times$ サブキャリア $\times$ フレーム）を処理して、動きのコンテンツの埋め込み（$e_{csi}$）を生成する畳み込みニューラルネットワーク（CNN）。適応的な平均プーリングにより、モデルは可変数のフレーム（$M$）を受け入れつつ、固定サイズの埋め込みを出力できる。
3. Ageエンコーダ： スカラー値の年齢 $\delta(t_m)$ を信頼性埋め込み（$e_a \in (0, 1)^d$）にマッピングする軽量なブランチ。これは、共有線形層、バッチ正規化、およびシグモイド活性化関数を介して実現され、セッション全体で平均化される。出力は、鮮度に基づく次元ごとの信頼性重みを表す。
4. 乗法的融合（Multiplicative Fusion）： CSIとAgeの埋め込みは、要素ごとの（アダマール）積によって融合される：$e_f = e_{csi} \odot e_a$。この設計は、Ageを独立したモダリティとして扱うのではなく、CSIの特徴量をスケーリングする「鮮度依存のゲート」として機能させる。
5. 分類器： 融合後のブロック（ReLU、LayerNorm、Dropout）が、融合された埋め込みをクラススコアへとマッピングする。

このフレームワークは、追加のパラメータが極めて少なく（$d=128$ の場合、わずか $4d$ 個の追加スカラー）、標準的なCSIのみのモデルと同等の計算複雑性を維持している。

主な貢献

• 問題の定式化： 平均センシング予算の制約下でのWiFi CSIセンシングを定式化し、スケジュールされた疎なセンシングとランダムなパケット損失の両方を明示的にモデル化した。
• Age-Awareアーキテクチャ： CSIサンプルの情報の経過時間（AoI）をエンコードし、それをCSI特徴量と乗法的に融合する、新しい低オーバーヘッドのフレームワークを導入した。これにより、モデルは古いサンプルからの特徴を動的に減衰させることができる。
• ゼロオーバーヘッドの実装： このアプローチは、MAC層ですでに利用可能なタイミング情報を利用しており、追加のシグナリングや複雑な再構成ステップを必要としない。
• 包括的な評価： 提案手法は、決定論的および確率論的なサンプリングレジームの両方において、NTU-Fiデータセットを用いた2つの異なるタスク（人間活動認識および個人識別）で評価されている。

実験結果

提案モデルは、NTU-Fi 人間活動認識（HAR）およびNTU-Fi HumanIDデータセットを用いて評価された。ベンチマークとして以下を用いた：

1. CSIのみのベースライン。
2. 最先端のUniFi (mTAN) 時間認識アテンションモデル。
3. Last-M ベースライン（直近の $M$ フレームのみを使用）。

主な知見：

• 優れた性能： Age-awareモデルは、すべてのサンプリングレジームおよび予算レベルにおいて、CSIのみのベースラインおよびUniFiベンチマークを一貫して上回った。
• 低予算下での利得： 性能の向上は、厳格なセンシング予算下で最も顕著であった。個人識別において、提案モデルはUniFi法に対して最大10パーセントポイントの向上を達成した。$\alpha=0.01$ の累積サンプリングにおいて、提案モデルは80.7%の精度を維持したが、CSIのみのベースラインは72.7%、UniFiは68.6%に低下した。
• 時間的被覆 vs. 最新性： 「累積（Accumulated）」サンプリング（時間をかけて分散）と「Last-M」（終盤に集中）を比較した実験では、単に最近のフレームを使用することよりも、セッション全体をカバーすることの方が重要であることが明らかになった。等しいフレーム数において、累積アプローチはLast-Mアプローチを大幅に上回った。
• タスクへの感度： Age-awarenessの恩恵は、活動認識よりも、歩行パターン（gait pattern）の解像を必要とする時間的に敏感なタスクである個人識別においてより顕著であった。

意義と主張

本論文は、CSIの可用性が制限されている、あるいは不規則である場合に、**鮮度を考慮した推論（freshness-aware inference）**が、精度を維持するための効果的かつ実用的なアプローチであることを主張している。サンプルの「経過時間（age）」を明示的にモデル化することで、提案フレームワークは、データの再構成に伴うレイテンシや複雑さを招くことなく、リソース制約に適応できる。

著者らは、センシングと通信が媒体を共有しなければならないIEEE 802.11bfの文脈において、自身のアプローチが特に価値が高いことを強調している。非常に低いセンシング予算（例：$\alpha=0.01$）においても高い精度を維持できる能力は、提案されたAge-awareメカニズムが、疎で不規則なサンプリングによる劣化を効果的に緩和し、実世界のISAC展開に向けたリソース効率の高いソリューションを提供できることを示している。