論文の概要: Mobility-Induced Graph Learning for WiFi Positioning
- arxiv url: http://arxiv.org/abs/2311.08271v1
- Date: Tue, 14 Nov 2023 16:06:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 13:23:33.150478
- Title: Mobility-Induced Graph Learning for WiFi Positioning
- Title(参考訳): WiFi測位のためのモビリティによるグラフ学習
- Authors: Kyuwon Han, Seung Min Yu, Seong-Lyun Kim, Seung-Woo Ko
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.9913115858730865
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A smartphone-based user mobility tracking could be effective in finding
his/her location, while the unpredictable error therein due to low
specification of built-in inertial measurement units (IMUs) rejects its
standalone usage but demands the integration to another positioning technique
like WiFi positioning. This paper aims to propose a novel integration technique
using a graph neural network called Mobility-INduced Graph LEarning (MINGLE),
which is designed based on two types of graphs made by capturing different user
mobility features. Specifically, considering sequential measurement points
(MPs) as nodes, a user's regular mobility pattern allows us to connect neighbor
MPs as edges, called time-driven mobility graph (TMG). Second, a user's
relatively straight transition at a constant pace when moving from one position
to another can be captured by connecting the nodes on each path, called a
direction-driven mobility graph (DMG). Then, we can design graph convolution
network (GCN)-based cross-graph learning, where two different GCN models for
TMG and DMG are jointly trained by feeding different input features created by
WiFi RTTs yet sharing their weights. Besides, the loss function includes a
mobility regularization term such that the differences between adjacent
location estimates should be less variant due to the user's stable moving pace.
Noting that the regularization term does not require ground-truth location,
MINGLE can be designed under semi- and self-supervised learning frameworks. The
proposed MINGLE's effectiveness is extensively verified through field
experiments, showing a better positioning accuracy than benchmarks, say root
mean square errors (RMSEs) being 1.398 (m) and 1.073 (m) for self- and
semi-supervised learning cases, respectively.
- Abstract(参考訳): スマートフォンベースのユーザモビリティトラッキングは、自分の位置を見つけるのに有効であるが、内蔵慣性測定ユニット(imus)の仕様が低く、wi-fi測位のような他の測位技術との統合を要求するため、予測不能なエラーが発生する。
本稿では,異なるユーザモビリティ特徴を捉えた2種類のグラフに基づいて設計した,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。
具体的には、逐次測定点(MP)をノードとして考慮し、ユーザの通常のモビリティパターンにより、隣接するMPをエッジとして接続することができる。
第2に、方向駆動モビリティグラフ(dmg)と呼ばれる各経路のノードを接続することで、ある位置から別の位置へ移動するときの、ユーザの相対的に直線的な遷移を捉えることができる。
次に、グラフ畳み込みネットワーク(GCN)に基づくクロスグラフ学習を設計し、TMGとDMGの2つの異なるGCNモデルが、WiFi RTTによって生成された異なる入力特徴を共有しながら、その重みを共有することで共同で訓練する。
さらに、損失関数は、ユーザの安定した移動速度のため、隣接する位置推定値の違いが少ないように移動規則化項を含む。
正規化項は基底位置を必要としないので、mingleは半教師付き学習フレームワークで設計することができる。
提案したMINGLEの有効性は、フィールド実験を通じて広範囲に検証され、ベンチマークよりも正確な位置決め精度が示され、例えば、自己教師付き学習の場合のルート平均二乗誤差(RMSE)は1.398(m)、1.073(m)である。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45~9.39倍の高速化を実現可能であることを示す。
論文 参考訳(メタデータ) (2024-10-16T16:13:19Z) - Revisiting Mobility Modeling with Graph: A Graph Transformer Model for
Next Point-of-Interest Recommendation [9.863982037173443]
Next Point-of-Interest (POI)レコメンデーションは、都市モビリティの応用において重要な役割を担っている。
textbfunderlineMobility textbfunderlineGraph textbfunderlineTransformer (MobGT)を提案する。
MobGTにより、グラフを完全に活用して、ユーザのモビリティパターンの空間的特徴と時間的特徴の両方をキャプチャすることができます。
論文 参考訳(メタデータ) (2023-10-02T14:11:16Z) - Deformable Mixer Transformer with Gating for Multi-Task Learning of
Dense Prediction [126.34551436845133]
CNNとTransformerには独自の利点があり、MTL(Multi-task Learning)の高密度予測に広く使われている。
本稿では,変形可能なCNNと問合せベースのTransformerの長所を共用したMTLモデルを提案する。
論文 参考訳(メタデータ) (2023-08-10T17:37:49Z) - Clustering and Analysis of GPS Trajectory Data using Distance-based
Features [20.91019606657394]
そこで我々は,新たなモビリティ指標であるDaily Characteristics Distanceを提案する。
次に、これらの機能を教師なしの機械学習手法、$k$-meansクラスタリングで使用し、各タイプのユーザ(WorkdayとOffday)に対して3つのクラスタを取得する。
本稿では,クラスタリング結果,すなわちユーザ共通性と平均周波数の分析のための2つの新しい指標を提案する。
論文 参考訳(メタデータ) (2022-12-01T01:25:49Z) - Learning Cross-view Geo-localization Embeddings via Dynamic Weighted
Decorrelation Regularization [52.493240055559916]
クロスビュージオローカライゼーションは、ドローンプラットフォームと衛星プラットフォームという2つのプラットフォームから撮影された同じ位置の画像を見つけることを目的としている。
既存の手法は、通常、特徴空間内の他のものとの埋め込み距離を最適化することに焦点を当てる。
本稿では、低冗長性も重要であり、モデルがより多様なパターンをマイニングする動機となっていると論じる。
論文 参考訳(メタデータ) (2022-11-10T02:13:10Z) - Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。
既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。
本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
論文 参考訳(メタデータ) (2022-09-24T21:45:06Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph
Convolutional Network for Multi-class Trajectory Prediction [9.238700679836855]
グラフ畳み込みニューラルネットワークにクラス情報を導入し、個人の軌道をより正確に予測する。
AADE(Average2 Displacement Error)とaFDE(Average Final Deplacement Error)と呼ばれる新しいメトリクスを提案する。
既存のメトリクスや新しく提案されたメトリクスの最先端よりも、一貫して優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2021-08-10T15:02:50Z) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳(メタデータ) (2021-07-22T03:10:51Z) - FGLP: A Federated Fine-Grained Location Prediction System for Mobile
Users [9.115223397085256]
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。
論文 参考訳(メタデータ) (2021-06-13T02:09:29Z) - Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。
本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。
実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
論文 参考訳(メタデータ) (2020-07-06T15:51:10Z)
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。