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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».