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。该研究针对基于信道状态信息（CSI）的 WiFi 感知中标注数据有限、信号结构复杂及泛化困难的问题，提出自监督表征学习框架 Context-Aware Predictive Coding（CAPC）。研究对象是无线信号感知及人体活动识别等应用，并非 EEG 或 BCI。 CAPC 将时序对比预测与基于增强的上下文学习结合，以同时建模时间依赖和上下文一致性。作者提出双视图增强方法，并称其能够消除 CSI 估计及收发器误差的影响，同时保持时序连贯性；增强的具体操作、误差模型、预测目标与损失形式尚未验证。 作者报告，CAPC 优于所比较的监督学习及自监督学习基线，尤其是在未见环境下标注数据有限，以及向新数据集、新任务迁移的条件下。摘要未提供数据集名称、划分方式、标注比例、指标或性能数值，实验协议、消融及统计信息尚未验证，因此不能据此量化其优势或判断不同设置的可比性。 平台推测（待验证）：可检验的迁移假设是，将时序预测与保留任务信息的双视图增强结合，可能有助于 EEG 的少标注表征学习。可复用的是时序预测与上下文一致性学习思路；需改造的是面向 CSI 误差的增强机制，使其适配 EEG 通道结构、频谱特性及伪迹。该路径依赖未标注时序数据和有效的正样本视图构造，所需数据规模尚未验证。低信噪比、跨被试差异、通道变化及小数据可能导致增强破坏任务信息或模型学习到伪迹。一个小规模验证可在固定跨被试划分和标注预算下，比较时序预测、上下文增强及二者结合，并核对预训练数据边界；这不是原论文已验证的结果。已有 EEG 相关工作尚未检索确认。