面向众包 WiFi 轨迹的半自监督表征学习

基于摘要分析。本文研究 WiFi 指纹轨迹定位中的标注负担，提出 semi-self 表征学习方案：利用较小的带标签轨迹集，为更大的众包无标签轨迹集赋予标签，并将所学表征接入神经网络定位模型。主要研究对象是 WiFi 定位，而非 EEG 或 BCI。 机制上，WiFi 轨迹被表示为信号特征的多变量时间序列。方法采用基于 meet-in-the-middle 范式的 cut-and-flip 数据增强，先学习 trajectory embedding，再学习 endpoint embedding，随后利用带标签轨迹集为所学表征赋予标签。摘要未交代增强的具体操作、嵌入目标、损失形式，以及表示与位置标签的对应过程。 作者指出，潜在轨迹数量可能随物理场地规模呈指数增长；作者报告，该方案所需带标签轨迹集的规模仅需与场地规模成比例，同时可利用大得多的无标签轨迹集。作者还报告定位准确性具有潜力，并显著减轻人工标注负担，但摘要未提供具体数据集、标注预算、划分协议、对照基线或数值指标。上述规模关系的假设条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其低标注时间序列表征学习思路可供参考，但直接迁移到 EEG 的关键障碍，是 WiFi 轨迹端点与物理空间关系未必对应 EEG 的任务标签；裁切或翻转也可能改变 ERP 时序或任务语义。因此不能默认 cut-and-flip 在 EEG 上保持标签不变。若探索迁移，可先在固定被试内划分的带标签 EEG 片段上，仅检验该增强是否保留任务可辨性，并与不增强及常规裁切对照；这只是可证伪的初步假设，不代表已有迁移效果。相关 EEG 工作尚未检索确认。