CSI-JEPA：以最少监督迈向泛在感知的基础表示
机器学习
2026-05-15 v1 网络与互联网体系结构
摘要
信道状态信息（CSI）为人类与环境感知提供了一种广泛可用的感知模态，但现有的 CSI 感知模型通常依赖特定任务的监督训练，并需要为每个任务、设备、用户或环境收集大量标注数据。这限制了其在实际部署中的可扩展性，因为在这些场景中无标注 CSI 数据十分丰富，而标注数据收集成本高昂。本文提出了 CSI-JEPA，一种用于标签高效、多任务 Wi-Fi 感知的自监督预测表示学习框架。CSI-JEPA 通过从可见上下文预测被掩蔽信道区域的潜在特征，从无标注 CSI 样本中学习可复用的时频表示。为了更好地匹配 CSI 的物理结构，CSI-JEPA 沿时间和子载波维度对信道响应幅度窗口进行分词。随后，它引入了一种信道变化感知的掩蔽策略，从具有较强局部时间和子载波域变化的区域中采样预测目标。预训练后，编码器被冻结并用作骨干网络，同时为下游感知任务添加轻量级的任务特定适配器。我们在跨越不同目标和部署设置的七项真实世界 Wi-Fi 感知任务上评估了 CSI-JEPA。结果表明，CSI-JEPA 优于具有竞争力的基线，提升了下游感知性能，相较于最先进的监督 Transformer 实现了高达 10.64 个百分点的平均准确率提升，并节省了高达 98.0% 的等预算标签。
引用
@article{arxiv.2605.14171,
title = {CSI-JEPA: Towards Foundation Representations for Ubiquitous Sensing with Minimal Supervision},
author = {Xuanhao Luo and Zhizhen Li and Yuchen Liu},
journal= {arXiv preprint arXiv:2605.14171},
year = {2026}
}