FedAPA: Adaptive Prototypaggregation verbessert Wi‑Fi‑Crowd‑Counting

Wi‑Fi‑Channel‑State‑Information (CSI) ermöglicht ein nicht‑invasives, gerätefreies Erkennen von Menschenbewegungen und -mengen. Die praktische Verbreitung dieser Technik wird jedoch durch den Bedarf an umfangreichen, ortsspezifischen Trainingsdaten behindert.

Mit dem neuen Ansatz FedAPA wird dieses Problem angegangen. FedAPA nutzt Federated Learning, um Rohdaten nicht zu teilen, und kombiniert es mit einer adaptiven Prototypaggregation (APA). Dabei werden die Prototypen der einzelnen Clients nach ihrer Ähnlichkeit gewichtet, sodass jeder Client ein personalisiertes globales Prototypmodell erhält, anstatt einer festen Aggregation.

Während des lokalen Trainings setzt FedAPA auf ein hybrides Ziel, das Klassifikationslernen mit kontrastivem Representation Learning verbindet. So werden lokale und globale Wissensrepräsentationen besser aufeinander abgestimmt.

Die Autoren liefern eine Konvergenzanalyse und testen FedAPA in einer realen, verteilten Wi‑Fi‑Crowd‑Counting‑Umgebung. Dabei wurden sechs unterschiedliche Standorte mit bis zu 20 Personen simuliert.

Die Ergebnisse zeigen, dass FedAPA die Leistung gegenüber mehreren Baselines deutlich steigert: die Genauigkeit verbessert sich um mindestens 9,65 %, der F1‑Score um 9 %, die mittlere absolute Abweichung (MAE) reduziert sich um 0,29 und der Kommunikationsaufwand sinkt um 95,94 %. Diese Fortschritte machen FedAPA zu einer vielversprechenden Lösung für heterogene, Wi‑Fi‑basierte Crowd‑Counting‑Anwendungen.