Fugu-MT 論文翻訳(概要): Federated Learning based Hierarchical 3D Indoor Localization

論文の概要: Federated Learning based Hierarchical 3D Indoor Localization

arxiv url: http://arxiv.org/abs/2303.00450v1
Date: Wed, 1 Mar 2023 12:21:00 GMT
ステータス: 処理完了
システム内更新日: 2023-03-02 14:57:38.376696
Title: Federated Learning based Hierarchical 3D Indoor Localization
Title（参考訳）: 階層型3次元屋内配置に基づくフェデレーション学習
Authors: Yaya Etiabi, Wafa Njima and El Mehdi Amhoud
Abstract要約: 深層ニューラルネットワークを用いた階層型3次元屋内位置決めのためのフェデレートラーニング(FL)フレームワークを提案する。階層型学習方式を採用することで、最大24.06%の局所化精度を向上させることができることを示す。また、建物と床の予測精度は、それぞれ99.90%と94.87%である。
参考スコア（独自算出の注目度）: 1.5469452301122177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The proliferation of connected devices in indoor environments opens the floor to a myriad of indoor applications with positioning services as key enablers. However, as privacy issues and resource constraints arise, it becomes more challenging to design accurate positioning systems as required by most applications. To overcome the latter challenges, we present in this paper, a federated learning (FL) framework for hierarchical 3D indoor localization using a deep neural network. Indeed, we firstly shed light on the prominence of exploiting the hierarchy between floors and buildings in a multi-building and multi-floor indoor environment. Then, we propose an FL framework to train the designed hierarchical model. The performance evaluation shows that by adopting a hierarchical learning scheme, we can improve the localization accuracy by up to 24.06% compared to the non-hierarchical approach. We also obtain a building and floor prediction accuracy of 99.90% and 94.87% respectively. With the proposed FL framework, we can achieve a near-performance characteristic as of the central training with an increase of only 7.69% in the localization error. Moreover, the conducted scalability study reveals that the FL system accuracy is improved when more devices join the training.
Abstract（参考訳）: 屋内環境におけるコネクテッドデバイスの普及は、フロアを多数の屋内アプリケーションに開放し、位置決めサービスをキーイネーブルとして利用する。しかし、プライバシー問題やリソース制約が発生すると、ほとんどのアプリケーションに必要な正確な位置決めシステムを設計することがより困難になる。後者の課題を克服するために,深層ニューラルネットワークを用いた階層型3次元屋内ローカライゼーションのための連邦学習(FL)フレームワークを提案する。実際、我々はまず、マルチビルとマルチフロアの屋内環境において、床と建物の間の階層を活用できることに光を当てた。次に,設計階層モデルを学習するためのflフレームワークを提案する。性能評価の結果,階層的学習方式を採用することで,非階層的アプローチと比較して最大24.06%の局所化精度を向上できることがわかった。また、建物と床の予測精度はそれぞれ99.90%と94.87%である。提案するFLフレームワークでは,局所化誤差の7.69%の増加とともに,中心的訓練におけるほぼ性能特性を達成できる。さらに,多くのデバイスがトレーニングに参加すると,flシステムの精度が向上することを示す。

関連論文リスト

Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting [4.147346416230272]
Wi-Fiフィンガープリントは、Wi-Fiデバイスの普及により、屋内のローカライズに広く応用されている。従来の手法はスケーラビリティの問題のため、マルチビルドやマルチフロア環境には適していない。本稿では,無線アクセスポイント選択,ノイズ注入,平均教師モデルに基づくニューラルネットワークのための新しい半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-18T09:07:20Z)
Hierarchical Stage-Wise Training of Linked Deep Neural Networks for Multi-Building and Multi-Floor Indoor Localization Based on Wi-Fi RSSI Fingerprinting [3.86574270083089]
本稿では,ニューラルネットワークを用いた大規模マルチビルディングとマルチフロア屋内ローカライゼーションの課題に対する新しい解を提案する。階層的なステージワイドトレーニングフレームワークは、もともとのステージワイドトレーニングフレームワークを、複数のリンクネットワークの場合に拡張する。提案したトレーニングフレームワークは、3次元の局所化誤差を11.78mから8.71mに著しく低減することができる。
論文参考訳（メタデータ） (2024-07-18T08:43:26Z)
Multi-level Personalized Federated Learning on Heterogeneous and Long-Tailed Data [10.64629029156029]
マルチレベル・パーソナライズド・フェデレーション・ラーニング(MuPFL)という革新的パーソナライズド・パーソナライズド・ラーニング・フレームワークを導入する。 MuPFLは3つの重要なモジュールを統合している: Biased Activation Value Dropout (BAVD), Adaptive Cluster-based Model Update (ACMU), Prior Knowledge-assisted Fine-tuning (PKCF)。様々な実世界のデータセットの実験では、MuPFLは極端に非i.d.と長い尾の条件下であっても、最先端のベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2024-05-10T11:52:53Z)
Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文参考訳（メタデータ） (2023-11-02T16:31:49Z)
Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文参考訳（メタデータ） (2023-05-04T09:26:03Z)
Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文参考訳（メタデータ） (2022-07-08T18:17:06Z)
Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文参考訳（メタデータ） (2022-03-05T02:31:32Z)
Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks [2.0305676256390934]
Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
論文参考訳（メタデータ） (2021-12-23T11:56:31Z)
Communication-Efficient Hierarchical Federated Learning for IoT Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文参考訳（メタデータ） (2021-07-14T08:32:39Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)
Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound [59.97366727654676]
3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-30T07:23:55Z)

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。