ARGUS: Attention-Guided Transformers for Scalable Person Identification Using Wi-Fi Telemetry

技术摘要：ARGUS —— 用于可扩展人员识别的注意力引导型 Transformer 技术（基于 Wi-Fi 遥测）

问题陈述

准确且高效的人员识别对于访问控制和个性化服务至关重要，然而现有的生物识别方法面临着显著的局限性。基于摄像头的系统会引入隐私担忧，并且对欺骗、遮挡和环境条件较为敏感；而基于可穿戴设备的方法则需要用户配合。使用商用 Wi-Fi 信道状态信息（CSI）的无线替代方案提供了一种极具前景的、低成本且被动的解决方案。然而，目前的基于 CSI 的识别系统仍面临以下挑战：

• 数据复杂性： 原始 CSI 流具有高噪声、高维度特性，并受到同步引起的相位偏移影响，需要进行校准。
• 领域偏移（Domain Shift）： CSI 信号高度依赖于房间几何结构、硬件和设备布局，这使得跨领域泛化变得困难。
• 运动依赖性： 许多现有系统依赖于步态或刻意的动作，这限制了它们在识别静止主体方面的应用。
• 可扩展性与效率： 针对静止主体的 Transformer 方法主要在小规模群体上进行了评估，且仅靠闭集准确率无法解决大规模部署中的开集拒绝或计算效率问题。

方法论

作者提出了 Argus，这是一个被动式 Wi-Fi 感知系统，旨在通过无需佩戴设备或规定动作的商用 CSI 来识别个体。该系统架构由三个主要部分组成：

1. Statgram（统计图谱）表示：
   Argus 并非直接对原始数据包流进行建模，而是将短时间的 CSI 窗口转换为紧凑的统计图谱（statgrams）。

   • 预处理： 对原始复数 CSI ($H$) 进行鲁棒归一化（使用中位数和四分位距），并进行线性去趋势处理以进行相位解包裹，从而消除同步偏移。
   • 特征提取： 系统生成信号的多种“视图”：幅度 ($A$)、校准相位 ($P$) 和相位差 ($D$)。
   • 统计聚合： 对于每种视图，计算其在时间维度和分组子载波上的统计量（均值、标准差、百分位数、能量以及通过实数快速傅里叶变换 real-FFT 获取的频域特征）。这些统计量被堆叠成一个张量 $S \in \mathbb{R}^{C \times R \times W}$，其中 $C$ 是视图数量，$R$ 是统计行数，$W$ 是由采集几何结构决定的宽度。

2. Patch Transformer 架构：

   • Statgram 被划分为粗略的矩形补丁（patches），随后将其展平并线性投影为 Token（令牌）。
   • 系统附加了一个可学习的 CLS token。
   • 一个轻量级的仅解码器（decoder-only）Transformer 处理这些 Token。位于末端的 CLS token 通过因果注意力机制（causal attention）对所有先前的补丁进行关注。
   • 推理： 对于物理录制过程，通过聚合重叠窗口的 Logits（取平均值）来产生最终的段级预测。对于单人识别，使用 Softmax 层；对于多用户场景，则采用独立的二元 Logits。

3. 注意力引导压缩：
   Argus 利用训练好的模型对 statgram 补丁的重要性进行排序。通过遮蔽具有训练集均值的补丁并测量预测置信度的下降程度，系统可以识别出哪些区域包含身份相关的关键信息。这使得系统可以在不显著损失准确率的情况下实现输入压缩（仅保留排名靠前的补丁）。

核心贡献

• 系统设计与评估： 本文详细介绍了 Argus 流程，并在两个数据集上进行了评估：EHealth 数据集（154 名参与者，处于静止或有限运动状态）和 WiMANS 数据集（多用户、多房间、2.4/5 GHz 频段）。
• 紧凑表示 vs. 原始上下文： 作者证明，紧凑的 statgram 表示比单纯扩展原始时间上下文更有效。在 EHealth 数据集上，在 60 秒证据时长下，Argus 比原始 CSI Transformer 基准模型的 Top-1 准确率提高了 7.75 个百分点，同时每个窗口使用的 FLOPs 减少了 4.4 倍。
• 注意力-遮蔽排序： 引入了一种仅用于验证的排序方法来对 statgram 补丁进行排序。在 EHealth 上，仅保留 8 个补丁中的前 4 个即可保持完整的单窗口准确率；而在 WiMANS 上，保留 15 个补丁中的 10 个仅会导致 0.7 个百分点的准确率下降。
• 现实部署限制： 研究明确评估了开集拒绝和跨环境迁移能力，结果显示虽然 Argus 在闭集场景中表现良好，但其零样本（zero-shot）跨房间迁移能力较弱，且开集拒绝能力尚处于中等水平。

结果

EHealth 数据集（154 名受试者）：

• 准确率： Argus 在 6 秒窗口下的 Top-1 准确率达到 78.88% ± 1.62%。当聚合 19 个重叠窗口（共 60 秒）时，Top-1 准确率上升至 84.85% ± 1.31%，Top-5 准确率达到 99.26%。
• 效率： 该模型每个窗口需要 33.6 MFLOPs，而竞争对手 THAT 基准模型需要 149 MFLOPs。
• 消融实验： 在单无线电设置中，幅度通道携带了大部分判别性信号；未经校准的纯相位模型表现较差。

WiMANS 数据集（多用户、多房间）：

• 准确率： Argus 实现了 95.07% 的平均精确匹配准确率，平均而言，与最强的特定配置基准相比，差距仅在 1.23 个百分点以内。
• 效率： Argus 每次录制的计算量为 0.061 GFLOPs，这比 THAT 基准模型的推理 FLOPs 少 27 倍。通过补丁剪枝，这一加速比提升至 48 倍。
• 迁移学习： 跨房间的零样本迁移失败（准确率为 14–28%）。然而，少样本混合训练（结合源数据 + 少量的目标数据）显著提升了性能，使用 25% 的目标数据即可达到 82–93% 的准确率。

重要性与声明

本文声称，紧凑的 CSI 统计量可以实现可扩展的被动识别，为摄像头和可穿戴生物识别提供了一种可行的替代方案。Argus 的意义在于其能够：

1. 规模化： 在无需步态或运动的情况下，成功识别大规模群体（154 名受试者）及多用户环境中的个体。
2. 高效性： 通过 statgram 压缩和轻量级 Transformer 大幅降低计算需求，使在边缘设备上的部署成为可能。
3. 可解释性： 利用注意力机制识别并剪除非必要的信号区域，从而为哪些 CSI 信号驱动决策提供了见解。

然而，作者对部署成熟度持谨慎态度。他们强调，开集拒绝目前尚不足以支持作为独立的生物识别门禁（未知用户可能会被自信地误识别），且由于房间特有的多径效应，跨环境泛化仍然是一个重大障碍。因此，Argus 的定位是作为高召回率的候选名单生成器，或作为更大验证系统中的一个组件，而非适用于所有识别场景的独立解决方案。论文还强调了在进行被动式生物识别感知时，包括知情同意和本地化处理在内的治理必要性。