持续的 Wi‑Fi 感知需要在学习新房间或新用户（可塑性）和保持已有知识（稳定性）之间取得平衡，但出于隐私和存储限制，节点往往无法保留完整的信道状态信息（CSI）。
WiMoT（Wi‑Fi Moment Transport）通过为每个已有域保存每类特征的均值和协方差来代替样本存储。当特征表示发生变化时，直接保存的统计量会失效。为了解决这一问题，WiMoT 将表示的变化限制为在冻结特征基底上的仿射映射，并将同样的映射应用到已保存的统计量上，使其在没有旧样本的情况下仍保持有效。
在新域上使用监督对比学习进行特征学习；对已保存的统计量使用闭式损失，确保旧类别之间的可分离性；随后基于这些经传输的统计量重新拟合高斯判别分类器，且对每个域赋予相同权重，预测时无需域身份信息。
在 3DO、WiMANS 和 Widar3.0 数据集上，WiMoT 的平均最终准确率分别为 94.02%、89.61% 和 95.16%，遗忘率不超过 0.58 个百分点。相较于 21 种基线方法（其中最强的使用回放），WiMoT 在 3DO 和 Widar3.0 上的新旧域准确率平衡最高，分别领先 3.77 和 13.11 个百分点，并在不同域顺序和标签预算下保持优势。 在 WiMANS 上，WiMoT 的准确率比最强回放基线高 0.41 个百分点，同时将遗忘率从 2.78 降至 0.00，且拥有最高的六阶平均准确率。
完整协方差矩阵占用的内存较大，WiMoT 将其近似为秩为 32 的因子形式，使时刻记忆仅占原始的 6.4%，精度损失最多 0.49 个百分点，满足边缘节点的存储预算。
点评：WiMoT 通过统计时刻的方式实现了无回放的持续学习，兼顾了记忆效率和模型性能，为资源受限的 Wi‑Fi 感知节点提供了实用方案。