面向众包 WiFi 轨迹的半自监督表征学习

基于摘要分析。该研究针对 WiFi 指纹轨迹定位的标注负担，提出 semi-self representation learning：利用较小的已标注轨迹集，为规模更大的众包未标注轨迹集提供标注支持，并将学习到的表征用于定位。研究对象是由信号特征构成的 WiFi 多变量时间序列，而非 EEG 或 BCI。 传统点式定位需要 WiFi 指纹的位置标注，轨迹式定位则需要轨迹端点位置标注；随着物理场地扩大，潜在轨迹数量可能呈指数增长。方法采用基于 meet-in-the-middle 范式的 cut-and-flip 数据增强，并依次学习 trajectory embedding 与 endpoint embedding，再利用已标注轨迹集为所学表征赋予标注，连接至基于神经网络的定位网络。摘要未说明增强操作的具体构造、训练损失及标注传播规则。 作者报告，所需已标注轨迹集的规模仅需与物理场地规模成比例，而未标注轨迹集可以大得多；方法在提供有前景的定位准确性的同时减轻人工标注负担。摘要未提供数据集、划分协议、对照基线或量化指标，因此这些效果及其适用条件尚待核对，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其减少多变量时间序列标注需求的思路可能对 EEG 表征学习有参考意义，但轨迹端点及空间结构并不直接对应 EEG 任务标签。若探索迁移，需要先确认 cut-and-flip 是否依赖空间相遇关系，再重新定义保持 EEG 语义的增强与监督目标；低信噪比、跨被试差异及小样本可能破坏这种对应。一个可检验的小实验是在固定 EEG 数据划分与标注预算下，对比经语义约束的切分或翻转增强与不使用该增强的同一编码器，检查下游指标及标签一致性。已有 EEG 相关工作尚未检索确认，这一假设不构成已验证的迁移效果。