Z2.06.4Cross-dimension conflict in context设计研究
维度之间可能相互矛盾，如位置正确但活动误判
别名: 维度冲突 · 情境不一致性 · context consistency
概念解释
多维度情境可以互相矛盾：位置判断「在家」是对的，活动判断「在睡觉」却是错的（人在锻炼，心率快被误读）——单一维度的高置信不能代表整体判断成立。维度间一致性因此是情境质量的独立检验：一个「位置在家 + 活动睡觉 + 卧室灯全亮」的组合，哪怕每个维度各自置信都不低，也该被系统视为可疑。
矛盾在这里是资源而不是麻烦：它是最早出现的故障信号——传感器漂移、模型过拟合、标定过期，这些不报错的隐性故障，往往先以维度间不一致的形式显形。
机制
情境系统对每个维度独立推断，各自输出置信度；组合发生在下游。两条路径决定了矛盾必然出现：
- 同源错误相互独立。位置靠 GPS/Wi-Fi，活动靠惯性/心率，两条推断链的误差来源互不相关——一个准的时候另一个完全可以错。把各维置信度相乘得到「整体置信」的做法，隐含了错误不相关的假设，恰恰在系统性偏差（某个传感器坏了）时失效得最惨。
- 真实现象本身会「矛盾」。 在客厅睡着、边走路边开会——现实中的活动组合本来就不合常规模板。矛盾因此有两种解释：推断错了，或现实不典型。系统无法先验区分，只能把矛盾当作降置信的信号而不是直接判定谁对谁错。
人对这套逻辑并不陌生：看到灯关着却听到说话声，第一反应不是「哪个观察是假的」而是「情况有点怪，再确认一下」。一致性检验是把这种常识自动化。
怎么研究
- 多传感器融合文献有现成的冲突检测框架：比较各源对同一量的估计，超出门限即标记冲突；扩展到异构维度时，冲突定义从「数值差」放宽为「组合落入低概率区域」，后者用训练数据的联合分布即可建模。
- 活动识别研究中，多模态一致性被用作无标注的质检手段：音频推断与视频推断长期不一致的样本段，是标注噪声或模型盲区的高产位置——同样的思路平移到产品系统里做漂移预警。
- 评测做法：向系统注入「单维错误」（把一个维度的读数替换成历史值或随机值），度量矛盾检测器的检出率与误报率；再注入「真实但不典型」的组合，度量被误判为冲突的比例。两类错误率必须一起报。
方法论注意点：「不典型」的基线随人群与家型漂移——独居者与五口之家的「正常组合」差别巨大，一致性模型按家庭个性化校准后才有可用基线，全局模型会把大量正常生活判成矛盾。
边界
- 压制矛盾会误伤真实生活。 把「客厅睡觉」这类组合当故障滤掉，用户会亲身遭遇「系统不认我刚才在沙发上看电视睡着」的荒谬。矛盾的处理上限是降级与再确认，不是纠偏到「合理」。
- 一致性检验增加延迟。 每次组合判断前先做交叉检查，快维度的实时性受损；对低后果动作（开个灯）不值得，对高后果动作（离家布防）必须有。
- 一致性检验依赖各维度误差确实独立——两个维度如果共用一个数据源（活动与在场都从同一个摄像头推断），「一致」只是同源错误的互相印证，检验形同虚设。设计时要先查数据源的谱系。
怎么落地
- 组合判断前先跑维度间一致性检查：组合落入低概率区域即降置信，高后果自动化降级为确认或暂缓。
- 把矛盾事件记日志：哪个组合、何时、持续多久。矛盾的聚集位置就是传感器漂移或模型过拟合的位置——这是免费的健康监控。
- 各维度数据源做谱系标注（来自哪个物理传感器、哪条推断链），共用源的维度组合不做一致性检验。
- 验证办法：注入单维错误做演练，看检出率；同时统计日常「真实不典型」组合被降级的频率——前者要高，后者要低，两个数一起达标才算合格。