A Tutorial-Cum-Survey on Self-Supervised Learning for Wi-Fi Sensing: Trends, Challenges, and Outlook
Notice bibliographique
Résumé
Wi-Fi technology has evolved from simple communication routers to sensing devices. Wi-Fi sensing leverages conventional Wi-Fi transmissions to extract and analyze channel state information (CSI) for applications like proximity detection, occupancy detection, activity recognition, and health monitoring. By leveraging existing infrastructure, Wi-Fi sensing offers a privacy-preserving, non-intrusive, and cost-effective solution which, unlike cameras, is not sensitive to lighting conditions. Beginning with a comprehensive review of the Wi-Fi standardization activities, this tutorial-cum-survey first introduces fundamental concepts related to Wi-Fi CSI, outlines the CSI measurement methods, and examines the impact of mobile objects on CSI. The mechanics of a simplified testbed for CSI extraction are also described. Then, we present a qualitative comparison of the existing Wi-Fi sensing datasets, their specifications, and pin-point their shortcomings. Next, a variety of preprocessing techniques are discussed that are beneficial for feature extraction and explainability of machine learning (ML) algorithms. We then provide a qualitative review of recent ML approaches in the domain of Wi-Fi sensing and present the significance of self-supervised learning (SSL) in that context. Specifically, the mechanics of contrastive and non-contrastive learning solutions is elaborated in detail and a quantitative comparative analysis is presented in terms of classification accuracy. Finally, the article concludes by highlighting emerging technologies that can be leveraged to enhance the performance of Wi-Fi sensing and opportunities for further research in this domain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».