論文の概要: Neighbor Oblivious Learning (NObLe) for Device Localization and Tracking

• arxiv url: http://arxiv.org/abs/2011.14954v1
• Date: Mon, 23 Nov 2020 17:25:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 03:22:53.196208
• Title: Neighbor Oblivious Learning (NObLe) for Device Localization and Tracking
• Title（参考訳）: デバイスローカライズとトラッキングのための隣接oblivious learning(noble)
• Authors: Zichang Liu, Li Chou, Anshumali Shrivastava
• Abstract要約: 主な理由は、機械学習が同等の精度でGPSクエリよりもはるかにエネルギー効率が高いことである。 本稿では,これらの基本構造情報を利用することができないため,最先端のシステムでは精度が著しく低下していると論じる。 WiFiベースの指紋位置測定と慣性計測ユニット(IMU)ベースのデバイストラッキングを含む2つのアプリケーションにおけるアプローチの有効性を実証し、最先端の予測精度よりも大幅に向上したことを示す。
• 参考スコア（独自算出の注目度）: 34.98694924342293
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: On-device localization and tracking are increasingly crucial for various applications. Along with a rapidly growing amount of location data, machine learning (ML) techniques are becoming widely adopted. A key reason is that ML inference is significantly more energy-efficient than GPS query at comparable accuracy, and GPS signals can become extremely unreliable for specific scenarios. To this end, several techniques such as deep neural networks have been proposed. However, during training, almost none of them incorporate the known structural information such as floor plan, which can be especially useful in indoor or other structured environments. In this paper, we argue that the state-of-the-art-systems are significantly worse in terms of accuracy because they are incapable of utilizing these essential structural information. The problem is incredibly hard because the structural properties are not explicitly available, making most structural learning approaches inapplicable. Given that both input and output space potentially contain rich structures, we study our method through the intuitions from manifold-projection. Whereas existing manifold based learning methods actively utilized neighborhood information, such as Euclidean distances, our approach performs Neighbor Oblivious Learning (NObLe). We demonstrate our approach's effectiveness on two orthogonal applications, including WiFi-based fingerprint localization and inertial measurement unit(IMU) based device tracking, and show that it gives significant improvement over state-of-art prediction accuracy.
• Abstract（参考訳）: デバイス上のローカライゼーションとトラッキングは、さまざまなアプリケーションにとってますます重要になっている。 急速に増加する位置データとともに、機械学習(ml)技術が広く採用されている。 主な理由は、ML推論が同等の精度でGPSクエリよりもはるかにエネルギー効率が良く、特定のシナリオではGPS信号の信頼性が極めて低いためである。 この目的のために、ディープニューラルネットワークのようないくつかの技術が提案されている。 しかし、トレーニング中は、フロアプランのような既知の構造情報を組み込んだものはほとんどなく、特に屋内や他の構造環境において有用である。 本稿では,これらの重要な構造情報を活用できないため,最先端のシステムでは精度が著しく低下すると主張する。 構造的特性が明示的に利用できないため、ほとんどの構造的学習アプローチが適用できないため、この問題は非常に難しい。 入力空間と出力空間の両方がリッチ構造を含む可能性があることを考慮し、多様体射影からの直観を通して方法を研究する。 既存の多様体に基づく学習手法はユークリッド距離などの周辺情報を積極的に活用しているのに対し,本手法は近接学習(NObLe)を行う。 WiFiによる指紋位置測定と慣性計測ユニット(IMU)によるデバイストラッキングを含む2つの直交的アプリケーションに対するアプローチの有効性を実証し,最先端の予測精度を大幅に向上させることを示す。

関連論文リスト

• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• Simple and Effective Augmentation Methods for CSI Based Indoor Localization [37.3026733673066]
  物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。 オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。 提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
  論文  参考訳（メタデータ） (2022-11-19T20:27:46Z)
• Few-Shot Learning for Biometric Verification [2.3226893628361682]
  機械学習アプリケーションでは、できるだけ多くの情報を供給することが一般的である。ほとんどの場合、モデルはより正確に予測できる大規模なデータセットを扱うことができる。 本稿では,Few-Shot 学習手法による最先端のアキュラシーと比較し,バイオメトリックスデータの検証を行う,新しいエンドツーエンド軽量アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-12T22:49:25Z)
• Informed Priors for Knowledge Integration in Trajectory Prediction [0.225596179391365]
  本稿では,連続学習に基づく情報機械学習手法を提案する。 これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。 我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2022-11-01T09:37:14Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Markov Localisation using Heatmap Regression and Deep Convolutional Odometry [59.33322623437816]
  我々は,最新のディープラーニングハードウェアを活用する新しいCNNベースのローカライゼーション手法を提案する。 画像に基づくローカライゼーションと,1つのニューラルネットワーク内でのオドメトリーに基づく確率伝搬を行うハイブリッドCNNを作成する。
  論文  参考訳（メタデータ） (2021-06-01T10:28:49Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。