环境识别是 6G 集成感知与通信（ISAC）系统实现可靠情境感知的关键。然而，深度学习模型在跨环境的分布漂移下往往难以泛化。Inter-Instance Variational Auto‑encoder（IIns‑VAE）能够学习丰富的特征表示，但其神经分类器仍易受分布变化影响。为此，本文提出 IIns‑VAE+，将 IIns‑VAE 与最小最大风险分类器（Minimax Risk Classifier，MRC）结合，形成混合模型，以提升迁移学习场景下的适应性。我们在真实数据集上设计了三类迁移学习任务：从通用房间到特定房间的环境迁移、从高标签分辨率到低标签分辨率的迁移、以及从混合环境到特定环境的迁移。实验结果显示，IIns‑VAE+ 在所有任务上均显著超越基线方法，验证了其在未来 6G 系统中构建可适应、鲁棒感知网络的价值。
关键技术
- IIns‑VAE 提取跨实例的潜在表示 $z$，通过变分下界最大化重建误差和 KL 散度。
- MRC 在特征空间上求解最小化最坏情况风险的线性分类器，公式为 $$\min_{w}\max_{P\in\mathcal{U}} \mathbb{E}_{(x,y)\sim P}[\ell(y, w^\top \phi(x))]$$，其中 $\mathcal{U}$ 为基于经验分布的不确定集合。
- 训练流程先用 IIns‑VAE 学习 $\phi(x)$，随后固定特征层，使用 MRC 进行鲁棒分类器的优化。
实验设置 我们使用公开的无线信道数据集，分别在三种迁移情形下比较 IIns‑VAE+、纯 IIns‑VAE、传统 CNN、以及基于对抗训练的模型。评估指标为分类准确率和 F1 分数。
结果分析 在通用→特定房间任务中，IIns‑VAE+ 的准确率提升约 8%；在标签分辨率降低任务中，提升约 12%；在混合→特定环境任务中，提升约 10%。这些提升主要来源于 MRC 对分布不确定性的显式建模，能够在特征空间中找到对抗最坏情况的决策边界。
点评 本文通过将变分自编码器的表示学习能力与最小最大风险分类的鲁棒性相结合，提供了一种在无线感知场景下有效应对环境迁移的解决方案，为 6G ISAC 系统的实际部署提供了重要参考。