分散型ファイバ計測（DFOS）におけるクロスデプロイ活動認識のための統計ガイド付きメタラーニング

arXiv stat.ML / 2026/4/28

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、分散型ファイバ計測（DFOS）における活動認識を、デプロイ先を跨いだ際に改善するためのプロトタイプベースのメタラーニング手法DUPLEを提案しています。
新サイトで直面する課題として、ドメインシフトの大きさ、ラベルが乏しい／利用できない状況、さらにソース側でもクラス内のカバー率が不十分である点の3つに焦点を当てています。
DUPLEは時間領域と周波数領域の補完的な手がかりを活用し、多数のプロトタイプによるクラス表現を構築した上で、原信号の統計から各ドメインの信頼性を推定する軽量な統計ガイダンスを用います。
各クエリごとに、クエリ適応型の集約戦略で最も関連性の高いプロトタイプを選択・結合し、2つの実世界のクロスデプロイ用ベンチマークで、強力な深層学習およびメタラーニングの基線より一貫した改善が示されています。
ラベルが乏しいターゲットのデプロイ環境において、認識精度と安定性がより高まることが報告されています。

Abstract

分散型ファイバ光センシング（DFOS）は長距離の周辺防犯に有望ですが、実運用の導入には3つの主要な障害があります。すなわち、深刻なクロスデプロイメントのドメインシフト、新しいサイトでのラベルが不足している、または利用できないこと、そしてソース側の導入においてさえクラス内のカバー範囲が限られていることです。私たちは、クロスデプロイメントDFOS認識のために特化したプロトタイプベースのメタラーニングフレームワークであるDUPLEを提案します。中核となる考え方は、時間領域と周波数領域の補完的な手がかりを共同で活用し、クラス表現をサンプル固有の統計に適応させることです。具体的には：（i）デュアルドメイン学習器がクラス内の異質性をカバーするために複数のプロトタイプによるクラス表現を構築します；（ii）軽量な統計ガイダンス機構が、生信号の統計から各ドメインの信頼性を推定します；（iii）クエリ適応型の集約戦略が、各クエリに対して最も関連性の高いプロトタイプを選択し、組み合わせます。2つの実世界のクロスデプロイメントのベンチマークに対する大規模な実験により、強力な深層学習ベースラインおよびメタラーニングベースラインに比べて一貫した改善が示され、ラベルが乏しいターゲット配備において、より正確で安定した認識を達成します。