In recent literatures, WiFi signals have been widely used to "sense" people's locations and activities. Researchers have exploited the characteristics of wireless signals to "hear" people's talk and "see" keystrokes by human users. Inspired by the excellent work of relevant scholars, we turn to explore the field of human-computer interaction using finger-grained gestures under WiFi environment. In this paper, we present Wi-Finger - the first solution using ubiquitous wireless signals to achieve number text input in WiFi devices. We implement a prototype of WiFinger on a commercial Wi-Fi infrastructure. Our scheme is based on the key intuition that while performing a certain gesture, the fingers of a user move in a unique formation and direction and thus generate a unique pattern in the time series of Channel State Information (CSI) values. WiFinger is deigned to recognize a set of finger-grained gestures, which are further used to realize continuous text input in off-the-shelf WiFi devices. As the results show, WiFinger achieves up to 90.4% average classification accuracy for recognizing 9 digits finger-grained gestures from American Sign Language (ASL), and its average accuracy for single individual number text input in desktop reaches 82.67% within 90 digits.

The present work targets a high-order SPH scheme for simulating incompressible flows. To achieve this, typical spatial reconstructions, piecewise constant approximation, MUSCL, WENO and TENO techniques are employed in the Riemann-SPH formulation. These reconstructions are based on primitive variables rather than numerical fluxes, and the advection term is not altered. Therefore, the polynomial coefficients and the optimal weights in the W/TENO reconstruction are corrected to adapt this system. The accuracy of SPH is improved by W/TENO reconstruction up to 4th and 5th order in the Eulerian framework, respectively. The performances in the Lagrangian, ALE and Eulerian frameworks, and of different reconstructions are also compared. TENO-SPH can obtain comparable results with half (or even lower) of the particle resolution as compared to previous SPH versions. Moreover, the constraint of mass change related to the volume conservation and pressure instabilities is investigated in the Eulerian framework.

Automated moral inference is an emerging topic of critical importance in artificial intelligence. The contemporary approach typically relies on language models to infer moral relevance or moral properties of a concept. This approach demands complex parameterization and costly computation, and it tends to disconnect with existing psychological accounts of moralization. We present a simple cognitive model for moral inference, Moral Association Graph (MAG), inspired by psychological work on moralization. Our model builds on word association network for inferring moral relevance and draws on rich psychological data. We demonstrate that MAG performs competitively to state-of-the-art language models when evaluated against a comprehensive set of data for automated inference of moral norms and moral judgment of concepts, and in-context moral inference. We also show that our model yields interpretable outputs and is applicable to informing short-term moral change.

A three-dimensional smoothed-particle hydrodynamics (SPH) method is used to study the moving boundary problem of a swimming manta ray, focusing on Eulerian and Lagrangian coherent structures. The manta ray's boundary motion is predefined by a specific equation. The calculated hydrodynamic results and Eulerian coherent structures are compared with data from the literature. To improve computational stability and efficiency, the δ+-SPH model used in this study incorporates tensile instability control and an improved adaptive particle-refinement technique. By comparing and analyzing the Eulerian and Lagrangian coherent structures, the relationship between these vortex structures and hydrodynamic force generation is examined, revealing the jet mechanism in the manta ray's wake. The SPH method presented herein is robust and efficient for calculating biomimetic propulsion problems involving moving boundaries with large deformations, and it can accurately identify vortex structures. The approach of this study provides an effective simulation tool for investigating biomimetic propulsion problems such as bird flight and fish swimming.

Mobile devices contribute more than half of the world's web traffic, providing massive and diverse data for powering various federated learning (FL) applications. In order to avoid the communication bottleneck on the parameter server (PS) and accelerate the training of large-scale models on resource-constraint workers in edge computing (EC) system, we propose a novel split federated learning (SFL) framework, termed ParallelSFL. Concretely, we split an entire model into a bottom submodel and a top submodel, and divide participating workers into multiple clusters, each of which collaboratively performs the SFL training procedure and exchanges entire models with the PS. However, considering the statistical and system heterogeneity in edge systems, it is challenging to arrange suitable workers to specific clusters for efficient model training. To address these challenges, we carefully develop an effective clustering strategy by optimizing a utility function related to training efficiency and model accuracy. Specifically, ParallelSFL partitions workers into different clusters under the heterogeneity restrictions, thereby promoting model accuracy as well as training efficiency. Meanwhile, ParallelSFL assigns diverse and appropriate local updating frequencies for each cluster to further address system heterogeneity. Extensive experiments are conducted on a physical platform with 80 NVIDIA Jetson devices, and the experimental results show that ParallelSFL can reduce the traffic consumption by at least 21%, speed up the model training by at least 1.36X, and improve model accuracy by at least 5% in heterogeneous scenarios, compared to the baselines.