.png){kind=icon}
返回
Enabling Efficient RF Sensing With Small Language Models via Functional Data Analysis and Parameter Efficient Tuning
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3672036.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出FDALLM-Small，一种统一的轻量级射频（RF）感知框架，该框架将函数数据分析（FDA）与参数高效微调的小型语言模型集成。通过将原始RF测量数据转化为平滑且结构化的函数嵌入，并将其编码为标准化的函数提示，该框架使紧凑型大语言模型（LLMs）能够以高精度和鲁棒性执行分类和定位任务。通过基于低秩适配（LoRA）的微调，小型LLMs能够有效学习区分性RF模式，同时仅更新极少量的模型参数，使该方法具有高效率且适用于端侧部署。在XRF55和AdaRF数据集上的实验表明，FDA提示流程显著提升了模型性能，使小型LLMs能够超越传统深度学习基线，并接近大型API-based LLMs的精度，而无需依赖云计算。扩展研究进一步显示，更小的模型始终提供最佳的性能-效率权衡，凸显了FDA表示与紧凑架构之间的内在兼容性。这些结果证实了FDALLM-Small作为边缘友好且计算高效解决方案的实用性，适用于实际RF感知应用。
Keyword:
Functional data analysis (FDA)
large language models (LLMs)
parameter-efficient fine-tuning (PEFT)
radio frequency (RF) sensing
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
RF Energy Harvesting Techniques for Battery-Less Wireless Sensing, Industry 4.0, and Internet of Things: A Review用于无电池无线传感，工业4.0和物联网的RF能量收集技术: 综述.png)
IEEE SENSORS JOURNAL
OAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏LLM4TS: Aligning Pre-Trained LLMs as Data-Efficient Time-Series ForecastersLLM4TS：将预训练的大语言模型对齐为数据高效的时间序列预测器OAAI
OAAI分享收藏Santra, A.; Wang, P.; Shaker, G.; Mysore, B.S.; Dolmans, G.; Chen, Y.; Shariati, N.; Pandharipande, A. Machine Learning-Powered Radio Frequency Sensing: A Review. IEEE Sens. J. 2025, 25, 23164–23183. [Google Scholar] [CrossRef]Santra, A.; Wang, P.; Shaker, G.; Mysore, B.S.; Dolmans, G.; Chen, Y.; Shariati, N.; Pandharipande, A. 机器学习赋能的射频传感：综述。IEEE Sens. J. 2025, 25, 23164–23183. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容