論文の概要: A Meta-learning based Generalizable Indoor Localization Model using Channel State Information

• arxiv url: http://arxiv.org/abs/2305.13453v2
• Date: Tue, 13 Jun 2023 18:29:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 00:39:00.845757
• Title: A Meta-learning based Generalizable Indoor Localization Model using Channel State Information
• Title（参考訳）: チャネル状態情報を用いたメタラーニングに基づく屋内定位モデル
• Authors: Ali Owfi, ChunChih Lin, Linke Guo, Fatemeh Afghah, Jonathan Ashdown, Kurt Turck
• Abstract要約: 本稿では,データセットが制限された場合の一般化性の向上を目的としたメタ学習アルゴリズムTB-MAMLを提案する。 TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。
• 参考スコア（独自算出の注目度）: 8.302375673936387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Indoor localization has gained significant attention in recent years due to its various applications in smart homes, industrial automation, and healthcare, especially since more people rely on their wireless devices for location-based services. Deep learning-based solutions have shown promising results in accurately estimating the position of wireless devices in indoor environments using wireless parameters such as Channel State Information (CSI) and Received Signal Strength Indicator (RSSI). However, despite the success of deep learning-based approaches in achieving high localization accuracy, these models suffer from a lack of generalizability and can not be readily-deployed to new environments or operate in dynamic environments without retraining. In this paper, we propose meta-learning-based localization models to address the lack of generalizability that persists in conventionally trained DL-based localization models. Furthermore, since meta-learning algorithms require diverse datasets from several different scenarios, which can be hard to collect in the context of localization, we design and propose a new meta-learning algorithm, TB-MAML (Task Biased Model Agnostic Meta Learning), intended to further improve generalizability when the dataset is limited. Lastly, we evaluate the performance of TB-MAML-based localization against conventionally trained localization models and localization done using other meta-learning algorithms.
• Abstract（参考訳）: 近年、スマートホーム、産業自動化、医療など様々な用途に応用されているため、屋内ローカライズが注目されている。 深層学習に基づくソリューションは、チャネル状態情報(csi)や受信信号強度インジケータ(rssi)などの無線パラメータを用いて屋内環境における無線デバイスの位置を正確に推定する有望な結果を示している。 しかし、深層学習に基づくアプローチが高いローカライゼーション精度を達成することに成功したにもかかわらず、これらのモデルは一般化性の欠如に悩まされ、新しい環境に容易にデプロイしたり、リトレーニングなしに動的環境で操作することができない。 本稿では,従来のdlベースローカライズモデルで継続される一般化可能性の欠如に対処するために,メタラーニングに基づくローカライズモデルを提案する。 さらに, メタ学習アルゴリズムは, 様々なシナリオから多様なデータセットを必要とするため, ローカライゼーションの文脈で収集し難いため, データセットが制限された場合の一般化性向上を目的とした, TB-MAML (Task Biased Model Agnostic Meta Learning) というメタ学習アルゴリズムを設計・提案する。 最後に,TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。

関連論文リスト

• Transfer Learning for CSI-based Positioning with Multi-environment Meta-learning [1.1763850077553188]
  チャネル状態情報(CSI)指紋によるユーザ機器(UE)の無線位置決めのための深層学習(DL)技術は大きな可能性を示唆している。 本稿では,2つの部分からなる新しいDLモデル構造を提案する。第1部は特定の環境から独立な特徴を特定することを目的としており,第2部は環境特異的な特徴と位置決めの目的を組み合わせている。 その結果,新しい未確認環境におけるDLモデルの重み付けを初期化するためのMEML手法を用いることで,新たなターゲット環境におけるUE位置決めの精度が向上し,不確実性評価の信頼性が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-05-20T06:23:22Z)
• FeMLoc: Federated Meta-learning for Adaptive Wireless Indoor Localization Tasks in IoT Networks [1.0650780147044159]
  FeMLocはローカライゼーションのための統合メタラーニングフレームワークである。 FeMLocは、(i)コラボレーティブなメタトレーニングで、エッジデバイスからさまざまなローカライゼーションデータセットをトレーニングすることで、グローバルなメタモデルを生成する。 目標精度が約5mの場合、FeMLocはベースラインNNアプローチよりも82.21%高速である。
  論文  参考訳（メタデータ） (2024-05-17T20:22:39Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• 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)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。