論文の概要: FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor
Localization with Mobile Devices
- arxiv url: http://arxiv.org/abs/2307.01780v1
- Date: Tue, 4 Jul 2023 15:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 16:40:11.835883
- Title: FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor
Localization with Mobile Devices
- Title(参考訳): fedhil: モバイルデバイスを用いたロバストな屋内定位のためのヘテロゲニティレジリエントフェデレーション学習
- Authors: Danish Gufran, Sudeep Pasricha
- Abstract要約: 緊急対応、倉庫管理、拡張現実体験などの応用において、屋内のローカライゼーションは重要な役割を担っている。
デバイス・ヘテロジニアス環境における屋内位置推定精度を向上させるために,FedHILと呼ばれる新しい組込み機械学習フレームワークを提案する。
本フレームワークは,屋内の局所化とフェデレート学習(FL)を組み合わせることで,デバイス・異種環境における屋内の局所化精度を向上させる。
- 参考スコア(独自算出の注目度): 4.226118870861363
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Indoor localization plays a vital role in applications such as emergency
response, warehouse management, and augmented reality experiences. By deploying
machine learning (ML) based indoor localization frameworks on their mobile
devices, users can localize themselves in a variety of indoor and subterranean
environments. However, achieving accurate indoor localization can be
challenging due to heterogeneity in the hardware and software stacks of mobile
devices, which can result in inconsistent and inaccurate location estimates.
Traditional ML models also heavily rely on initial training data, making them
vulnerable to degradation in performance with dynamic changes across indoor
environments. To address the challenges due to device heterogeneity and lack of
adaptivity, we propose a novel embedded ML framework called FedHIL. Our
framework combines indoor localization and federated learning (FL) to improve
indoor localization accuracy in device-heterogeneous environments while also
preserving user data privacy. FedHIL integrates a domain-specific selective
weight adjustment approach to preserve the ML model's performance for indoor
localization during FL, even in the presence of extremely noisy data.
Experimental evaluations in diverse real-world indoor environments and with
heterogeneous mobile devices show that FedHIL outperforms state-of-the-art FL
and non-FL indoor localization frameworks. FedHIL is able to achieve 1.62x
better localization accuracy on average than the best performing FL-based
indoor localization framework from prior work.
- Abstract(参考訳): 屋内ローカライゼーションは、緊急対応、倉庫管理、拡張現実体験などのアプリケーションにおいて重要な役割を果たす。
機械学習(ML)ベースの屋内ローカライズフレームワークをモバイルデバイスにデプロイすることで、ユーザはさまざまな屋内および地下環境にローカライズすることができる。
しかし、モバイルデバイスのハードウェアやソフトウェアスタックの不均一性のため、正確な屋内ローカライゼーションを実現することは困難であり、不整合かつ不正確な位置推定をもたらす可能性がある。
従来のMLモデルは、初期トレーニングデータにも大きく依存しているため、内部環境全体の動的変更によるパフォーマンス低下に対して脆弱である。
デバイスの不均一性と適応性の欠如による課題に対処するため,FedHILと呼ばれる新しいMLフレームワークを提案する。
本研究では,屋内ローカライズとフェデレーション学習(fl)を組み合わせて,デバイスヘテロジェンス環境における屋内ローカライズ精度を向上させるとともに,ユーザデータのプライバシも保持する。
FedHILは、極めてノイズの多いデータが存在する場合でも、FL中の屋内ローカライゼーションのためのMLモデルの性能を維持するために、ドメイン固有の選択的な重量調整アプローチを統合する。
各種屋内環境および異種モバイルデバイスを用いた実験により,FedHILは最先端のFLおよび非FL屋内ローカライゼーションフレームワークよりも優れた性能を示した。
FedHILは、FLベースの屋内ローカライゼーションフレームワークよりも平均して1.62倍の精度でローカライズすることができる。
関連論文リスト
- CALLOC: Curriculum Adversarial Learning for Secure and Robust Indoor
Localization [3.943289808718775]
CALLOC(CALLOC)は,屋内環境やデバイスにまたがる敵の攻撃や変動に抵抗するように設計された,新しいフレームワークである。
CALLOCは、ドメイン固有の軽量なスケールドドット製品アテンションニューラルネットワークを備えた、適応的なカリキュラム学習アプローチを採用している。
CALLOCは、最先端の屋内ローカライゼーションフレームワークに対して、平均エラーが6.03倍、最悪のエラーが4.6倍まで改善可能であることを示す。
論文 参考訳(メタデータ) (2023-11-10T19:26:31Z) - Machine Learning-based Positioning using Multivariate Time Series
Classification for Factory Environments [0.0]
最先端のソリューションは外部インフラストラクチャに大きく依存しており、潜在的なプライバシー侵害にさらされている。
機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。
本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
論文 参考訳(メタデータ) (2023-08-22T10:07:19Z) - FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。
FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。
本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
論文 参考訳(メタデータ) (2023-03-23T15:37:17Z) - FedSpeed: Larger Local Interval, Less Communication Round, and Higher
Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。
これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。
本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文 参考訳(メタデータ) (2023-02-21T03:55:29Z) - FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for
Resource and Data Heterogeneity [56.82825745165945]
フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。
本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。
提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
論文 参考訳(メタデータ) (2022-06-21T17:23:06Z) - Multi-Head Attention Neural Network for Smartphone Invariant Indoor
Localization [3.577310844634503]
RSSIフィンガープリントと共にスマートフォンは、低コストで高精度な屋内ローカライゼーションソリューションを提供するための効率的なアプローチとして機能する。
デバイスの不均一性に耐性を持つマルチヘッド型ニューラルネットワークを用いた屋内位置決めフレームワークを提案する。
提案手法の詳細な分析により,最先端の屋内局地化技術と比較して最大35%の精度向上が得られた。
論文 参考訳(メタデータ) (2022-05-17T03:08:09Z) - Siamese Neural Encoders for Long-Term Indoor Localization with Mobile
Devices [5.063728016437489]
フィンガープリンティングに基づく屋内ローカライゼーションは、屋内ローカライズにおける人や資産の位置と追跡の強化のための新興アプリケーションドメインである。
本稿では,その領域の最先端技術と比較して,局所化精度の低下を最大40%低減する,シームズ・ニューラルエンコーダベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-28T07:22:55Z) - FedMix: Approximation of Mixup under Mean Augmented Federated Learning [60.503258658382]
フェデレートラーニング(FL)は、エッジデバイスが各デバイス内でデータを直接共有することなく、モデルを集合的に学習することを可能にする。
現在の最先端アルゴリズムは、クライアント間のローカルデータの均一性が増大するにつれて性能劣化に悩まされる。
我々はFedMixという名の新しい拡張アルゴリズムを提案し、これは驚くべきが単純なデータ拡張手法であるMixupにインスパイアされている。
論文 参考訳(メタデータ) (2021-07-01T06:14:51Z) - Internal Language Model Training for Domain-Adaptive End-to-End Speech
Recognition [83.739317674302]
内部言語モデル推定(ILME)法は、外部言語モデルと自動音声認識システムとの連携を改善するために用いられる。
内部LM損失を最小限に抑えるための内部LMトレーニング(ILMT)手法を提案する。
ILMTは、ESRの精度を犠牲にすることなく、既存のコンポーネント内でスタンドアロンのLMを形成するようE2Eモデルを奨励している。
論文 参考訳(メタデータ) (2021-02-02T08:15:02Z) - EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using
Capsule Networks [3.659977669398194]
カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。
WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。
我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
論文 参考訳(メタデータ) (2020-09-12T12:38:47Z) - 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)
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。