論文の概要: FGLP: A Federated Fine-Grained Location Prediction System for Mobile Users

• arxiv url: http://arxiv.org/abs/2106.08946v1
• Date: Sun, 13 Jun 2021 02:09:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 13:40:38.030555
• Title: FGLP: A Federated Fine-Grained Location Prediction System for Mobile Users
• Title（参考訳）: FGLP: モバイルユーザーのためのファイングラインド位置予測システム
• Authors: Xiaopeng Jiang, Shuai Zhao, Guy Jacobson, Rittwik Jana, Wen-Ling Hsu, Manoop Talasila, Syed Anwar Aftab, Yi Chen, Cristian Borcea
• Abstract要約: スマートフォン上での詳細な位置予測は、アプリ/システムのパフォーマンスを改善するために使用することができる。 携帯電話で収集したGPSトレースに基づいて,詳細な位置予測を行うシステムを提案する。
• 参考スコア（独自算出の注目度）: 9.115223397085256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained location prediction on smart phones can be used to improve app/system performance. Application scenarios include video quality adaptation as a function of the 5G network quality at predicted user locations, and augmented reality apps that speed up content rendering based on predicted user locations. Such use cases require prediction error in the same range as the GPS error, and no existing works on location prediction can achieve this level of accuracy. We present a system for fine-grained location prediction (FGLP) of mobile users, based on GPS traces collected on the phones. FGLP has two components: a federated learning framework and a prediction model. The framework runs on the phones of the users and also on a server that coordinates learning from all users in the system. FGLP represents the user location data as relative points in an abstract 2D space, which enables learning across different physical spaces. The model merges Bidirectional Long Short-Term Memory (BiLSTM) and Convolutional Neural Networks (CNN), where BiLSTM learns the speed and direction of the mobile users, and CNN learns information such as user movement preferences. FGLP uses federated learning to protect user privacy and reduce bandwidth consumption. Our experimental results, using a dataset with over 600,000 users, demonstrate that FGLP outperforms baseline models in terms of prediction accuracy. We also demonstrate that FGLP works well in conjunction with transfer learning, which enables model reusability. Finally, benchmark results on several types of Android phones demonstrate FGLP's feasibility in real life.
• Abstract（参考訳）: スマートフォン上のきめ細かい位置予測は、アプリ/システムパフォーマンスを改善するために使用できる。 アプリケーションシナリオには、予測されたユーザの位置における5gネットワーク品質の関数としてビデオ品質適応、予測されたユーザの位置に基づいてコンテンツレンダリングを高速化する拡張現実アプリが含まれる。 このようなユースケースではgpsエラーと同じ範囲の予測誤差が必要であり、位置予測に関する既存の作業では、このレベルの精度を達成できない。 携帯電話上で収集されたGPSトレースに基づいて,モバイルユーザの詳細な位置情報予測(FGLP)システムを提案する。 FGLPには、フェデレーション学習フレームワークと予測モデルという2つのコンポーネントがある。 このフレームワークは、ユーザの電話だけでなく、システムのすべてのユーザからの学習をコーディネートするサーバ上でも動作する。 FGLPは、ユーザーの位置データを抽象的な2D空間の相対的なポイントとして表現し、異なる物理空間をまたぐ学習を可能にする。 このモデルは、Bidirectional Long Short-Term Memory (BiLSTM)とConvolutional Neural Networks (CNN)を融合し、BiLSTMはモバイルユーザーの速度と方向を学習し、CNNはユーザーの動きの好みなどの情報を学ぶ。 FGLPは、フェデレーション学習を使用してユーザのプライバシーを保護し、帯域幅の消費を減らす。 実験の結果,ユーザ60万人を超えるデータセットを用いて,fglpが予測精度でベースラインモデルを上回ることを実証した。 また,fglpがトランスファー学習と協調して動作し,モデルの再利用性が期待できることを示した。 最後に、いくつかのタイプのAndroidスマートフォンのベンチマーク結果から、実生活におけるFGLPの実現可能性を示している。

関連論文リスト

• Mobility-Induced Graph Learning for WiFi Positioning [3.9913115858730865]
  本稿では,MINGLE(Mobility-Induced Graph LEarning)と呼ばれるグラフニューラルネットワークを用いた新たな統合手法を提案する。 異なるユーザモビリティ機能をキャプチャして作られた2種類のグラフに基づいて設計されている。 提案したMINGLEの有効性は、フィールド実験を通じて広く検証されている。
  論文  参考訳（メタデータ） (2023-11-14T16:06:11Z)
• PrNet: A Neural Network for Correcting Pseudoranges to Improve Positioning with Android Raw GNSS Measurements [7.909678289680922]
  本稿では,携帯端末から収集したデータによる局所化性能を向上させるために,疑似配列のバイアス誤差を緩和するニューラルネットワークを提案する。 サテライトワイド・マルチレイヤー・パーセプトロン (MLP) は、6つのサテライト、レシーバー、コンテキスト関連の特徴から擬似距離バイアスを抑えるように設計されている。 修正された擬似レンジは、位置を計算するためにモデルベースのローカライゼーションエンジンによって使用される。
  論文  参考訳（メタデータ） (2023-09-16T10:43:59Z)
• Parsing is All You Need for Accurate Gait Recognition in the Wild [51.206166843375364]
  本稿では,GPS(Gait Parsing Sequence)という新しい歩行表現を提案する。 GPSは、ビデオフレームから抽出された微細な人間のセグメンテーションのシーケンスなので、より高い情報エントロピーを持つ。 また,ParsingGaitという,新しいパーシングに基づく歩行認識フレームワークを提案する。 実験結果から,GPS表現による精度の向上とParsingGaitの優越性が示唆された。
  論文  参考訳（メタデータ） (2023-08-31T13:57:38Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Location Leakage in Federated Signal Maps [7.093808731951124]
  複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。 i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。 我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。 FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
  論文  参考訳（メタデータ） (2021-12-07T02:28:12Z)
• Federated Distillation of Natural Language Understanding with Confident Sinkhorns [12.681983862338619]
  ユーザデバイス上で訓練された(ローカル)モデルのフェデレーションから,中央(グローバル)モデルを学習するためのアプローチを提案する。 グローバルモデルを学ぶためには,局所モデルに割り当てられたソフトターゲットの信頼度から,グローバルモデル予測の最適輸送コストを最小化する。
  論文  参考訳（メタデータ） (2021-10-06T00:44:00Z)
• Analysis of geospatial behaviour of visitors of urban gardens: is positioning via smartphones a valid solution? [0.0]
  本研究では,スマートフォンで直接記録された位置が,都市庭園における人々の行動の空間的分析に有効な解である,という仮説を検証した。 i)参照トラックに対する位置の精度の評価、(ii)位置情報の送信と処理を自動化するフレームワークの実装、(iii)空間分析による所望スポットの分析の3つの部分について報告する。
  論文  参考訳（メタデータ） (2021-06-20T08:32:05Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• Towards End-to-end Video-based Eye-Tracking [50.0630362419371]
  画像のみから視線を推定することは、観察不可能な人固有の要因のために難しい課題である。 本稿では,これらの意味的関係と時間的関係を明確に学習することを目的とした,新しいデータセットとアタッチメント手法を提案する。 視覚刺激からの情報と視線画像の融合が,文献に記録された人物と同じような性能を達成することにつながることを実証した。
  論文  参考訳（メタデータ） (2020-07-26T12:39:15Z)

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。