VCR：学习不完整可穿戴信号的有效上下文表征
机器学习
2026-05-20 v1 人工智能
信号处理
摘要
可穿戴设备使持续健康监测从多模态信号中成为可能，但受限于标注数据稀缺和传感器普遍不完整的实际部署环境的限制。虽然大规模自监督预训练可减少对标签的依赖，但大多数现有方法假设完整的模态性可用。当前处理模态缺失的方法常对整个缺失信号进行重建，这可能会鼓励生成不可从观测传感器信号推断的模态特定细节，从而降低鲁棒性。我们提出 VCR，一个自监督框架，学习从稳健地提取有效表征以适应模态缺失。VCR 采用正交 tokenizer 以严格的正交解缝方式施加约束，通过修正潜在流形并应用几何投影，将每个模态分离为共享语义和模态特定残差。该设计在保持完整信息完整性的同时，为在模态缺失下进行稳健学习提供了结构基础。生成的 token 由一个针对不同模态可用性模式的缺失感知混合专家 backbone 处理。通过约束目标仅重建缺失模态的共享组件，VCR 有效地缓解了非可推断模态特定细节的幻觉问题。在多个健康监测任务上，VCR 在完整、单模态缺失和多模态缺失的不同设置下均一致地优于强大的监督和自监督基线。
引用
@article{arxiv.2605.18837,
title = {VCR: Learning Valid Contextual Representation for Incomplete Wearable Signals},
author = {Yuxuan Weng and Wenhan Luo and Qijia Shao},
journal= {arXiv preprint arXiv:2605.18837},
year = {2026}
}