マルチステーションWiFi CSIセンシングフレームワーク：ステーション単位の特徴欠損と限定ラベルデータに頑健

複数のステーションを対象としたWiFi チャンネル状態情報（CSI）センシングフレームワークは、実用的なCSIセンシングにおける二つの根本的な課題、すなわちステーションごとの特徴欠損と限定ラベルデータに対処します。特徴欠損は、CSI測定の不均一な間隔をリサンプリングするか、欠損サンプルを再構成することで一般的に対処されます。一方、ラベル不足はデータ拡張や自己教師付き表現学習によって緩和されます。しかし、これらの技術は通常個別に開発され、長期的かつ構造化されたステーションの不在とラベル不足を同時に対処するには至っていません。このギャップを埋めるために、ステーション不在を表現学習と下流のモデル訓練の両方に明示的に組み込みます。具体的には、時系列センサデータ向けに元々設計されたクロスモーダル自己教師付き学習（CroSSL）をマルチステーションCSIセンシングへ適用し、ラベルなしデータからステーションごとの特徴欠損に本質的に不変な表現を学習します。さらに、下流のモデル訓練時に Station-wise Masking Augmentation（SMA）を導入し、限定ラベルデータの下で現実的なステーション不在パターンにモデルを曝露します。我々の実験は、欠損に対して不変な事前学習だけではなく、ステーション単位の拡張だけでも十分ではないことを示しており、それらを組み合わせることが、ステーションごとの特徴欠損とラベル不足の双方の状況で堅牢な性能を達成するために不可欠です。提案されたフレームワークは、現実世界の展開におけるマルチステーションWiFi CSIセンシングの実用的かつ堅牢な基盤を提供します。