งานวิจัยนี้มุ่งแก้ปัญหาความซับซ้อนของระบบ Human Activity Recognition (HAR) ที่ใช้สัญญาณ Wi-Fi Channel State Information (CSI) ซึ่งมักเป็นโมเดลแบบ Deep Learning ที่ยากต่อการทำความเข้าใจ โดยผู้วิจัยได้นำเสนอเฟรมเวิร์กที่เปลี่ยนสัญญาณดิบให้เป็นข้อมูลแบบไม่ต่อเนื่องผ่าน Categorical Variational Autoencoder (VAE) จากนั้นจึงใช้การค้นหาความสัมพันธ์เชิงเหตุและผล (Causal Discovery) เพื่อสร้างกฎตรรกะแบบ Linear Temporal Logic (LTL)
ระบบนี้ช่วยให้เราสามารถเปลี่ยนโมเดลแบบ Black-box ให้กลายเป็นตัวจำแนกประเภทเชิงสัญลักษณ์ที่มนุษย์สามารถตรวจสอบและแก้ไขได้ โดยไม่สูญเสียความแม่นยำในการคาดการณ์ นอกจากนี้ยังรองรับการเชื่อมต่อข้อมูลจากหลายเสาอากาศได้โดยไม่ต้องเทรนโมเดลใหม่ทั้งหมด ซึ่งถือเป็นก้าวสำคัญของการนำระบบตรวจจับด้วยคลื่นวิทยุมาใช้ในงานด้านความปลอดภัยหรือสุขภาพที่ต้องการความโปร่งใส
