離散潜在圧縮とLTLルール抽出による因果的に解釈可能なWi‑Fi CSIを用いた人間行動認識に向けて

要旨: 本稿では、因果的な解釈可能性、記号的な制御可能性、および高次元の生信号への直接動作という共同要件のもとで、Wi‑Fiチャネル状態情報（CSI）を用いた人間活動認識（HAR）に取り組みます。深層ニューラルモデルはCSIベースのHAR（CHAR）において強力な予測性能を達成しますが、不可視で修正が難しい連続潜在表現に依存しています。一方、純粋に記号的なアプローチでは、生のCSIストリームを処理できません。そこで、CSIの大きさウィンドウを、容量を制御した目的関数のもとでGumbel‑Softmaxの潜在変数を用いるカテゴリカルな変分オートエンコーダにより圧縮し、コンパクトな離散表現を得る、完全自動で厳密にデカップルされたパイプラインを提案します。その後、エンコーダを凍結し、決定論的な写像として用いてone-hotの潜在軌跡を生成します。因果発見はこれらの軌跡に対して実行され、クラス条件付きの時間的依存関係グラフを推定します。統計的に裏付けられた遅延付きの依存関係は線形時相論理（LTL）ルールへと変換され、ルール評価と集約のみに基づく、完全に記号的で決定論的な分類器が得られます。学習された弁別用ヘッドは一切用いません。ルールは離散潜在変数上で定義されるため、原理的にはアンテナ固有のルール集合を記号レベルで組み合わせられ、再学習なしに構造化されたマルチアンテナ融合が可能になります。CHAR潜在時間ルール抽出（CHARL‑TRE）からの結果は、明示的な時間的・因果的構造を保持しつつ競争力のある性能を示しており、教師なしの離散潜在表現に基づく決定論的な記号分類が、有線・無線HARに対するエンドツーエンドのブラックボックスモデルに代わる実行可能な選択肢であることを示唆しています。