上下文感知预测编码：面向 WiFi 感知的表征学习框架

基于摘要分析。本文研究 WiFi 感知中标注稀缺、信道状态信息（CSI）难以解释及环境变化影响泛化的问题，提出自监督表征学习框架 Context-Aware Predictive Coding（CAPC），主要面向人体活动识别（HAR），并非 EEG 或 BCI 方法。 机制上，CAPC 融合 Contrastive Predictive Coding（CPC）与基于数据增强的 Barlow Twins，以同时促进表征的时序一致性和上下文一致性。作者还提出利用上行与下行 CSI 的增强方法，旨在分离自由空间传播效应并减小收发器电子失真的影响。具体损失组合、增强构造、网络结构及训练规模在摘要中未展开，尚未验证。 作者报告，在少标签场景下，CAPC 相较监督学习的平均优势为 30.53%，相较其他自监督基线为 6.5%；摘要未明确这些数值对应的具体指标及相对百分比或百分点口径。作者还报告，在具有不同 HAR 任务和环境的未见数据集上开展迁移学习时，Accuracy 相较其他自监督基线提升 1.8%，相较监督学习提升 24.7%，其百分比或百分点口径同样需核对。数据集名称、标签比例、数据划分、基线配置、消融及统计信息尚未验证，不能据此直接比较不同协议下的性能。 平台推测（待验证）：可迁移的假设是，时序预测与增强一致性有望帮助少标签 EEG 学习兼顾动态信息与扰动鲁棒性的表征；这依赖 EEG 存在可预测的时序结构，且增强不破坏任务相关信号。CPC 与 Barlow Twins 的组合思路可供复用，但上行／下行 CSI 增强依赖无线收发结构，不能直接移植到 EEG，需替换为保持任务语义的增强。低信噪比、跨被试差异、通道布局变化及小数据可能使模型主要学习伪迹或个体特征。一个可证伪的小实验是在固定跨被试划分和标签预算下，对比 CPC、Barlow Twins 及二者组合，控制编码器与训练预算，检查组合是否稳定优于单独目标。已有相关 EEG 工作尚未检索确认。