Journal · 2025
Self-Supervised WiFi-Based Identity Recognition in Multi-User Smart Environments
Abstract
The deployment of autonomous AI agents in smart environments has accelerated the need for accurate and privacy-preserving human identification. Traditional vision-based solutions, while effective in capturing spatial and contextual information, often face challenges related to high deployment costs, privacy concerns, and susceptibility to environmental variations. To address these limitations, we propose IdentiFi, a novel AI-driven human identification system that leverages WiFi-based wireless sensing and contrastive learning techniques. IdentiFi utilizes self-supervised and semi-supervised learning to extract robust, identity-specific representations from Channel State Information (CSI) data, effectively distinguishing between individuals even in dynamic, multi-occupant settings. The system’s temporal and contextual contrasting modules enhance its ability to model human motion and reduce multi-user interference, while class-aware contrastive learning minimizes the need for extensive labeled datasets. Extensive evaluations demonstrate that IdentiFi outperforms existing methods in terms of scalability, adaptability, and privacy preservation, making it highly suitable for AI agents in smart homes, healthcare facilities, security systems, and personalized services.
Research Note
スマート環境で自律的に動く AI エージェントが増えるにつれ、そこにいるのが誰なのかを正確に、かつプライバシーを保った形で知る必要が出てきました。カメラを使えば空間的な情報も文脈も豊富に取れますが、設置コストが高いうえプライバシー上の抵抗が大きく、照明などの環境変化にも影響されます。
本研究の IdentiFi は、Wi-Fi の電波を使った無線センシングと対照学習を組み合わせて個人を識別します。対照学習というのは、同じ人から取れた信号どうしは特徴空間で近く、別の人のものは遠くなるように学習させる方法で、正解ラベルを大量に用意しなくても個人差を捉えられるという性質があります。IdentiFi はこれを自己教師あり学習と半教師あり学習の形で使い、チャネル状態情報（CSI）から個人に固有の表現を取り出しています。
複数人が同時にいる環境では、人どうしの動きが電波の上で混ざってしまうことが難しさになりますが、時間方向の対照モジュールで人の動きの推移をモデル化し、文脈方向の対照モジュールで干渉を抑えることでこれに対処しています。またクラスを意識した対照学習によって、必要なラベル付きデータの量を減らしています。
評価では、規模の拡大への追随性、環境が変わったときの適応性、プライバシー保護の観点で既存手法を上回り、スマートホームや医療施設、セキュリティ、個人向けサービスといった用途に向くことを示しました。
