論文の概要: STELLAR: Siamese Multi-Headed Attention Neural Networks for Overcoming
Temporal Variations and Device Heterogeneity with Indoor Localization
- arxiv url: http://arxiv.org/abs/2312.10312v1
- Date: Sat, 16 Dec 2023 04:12:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:13:11.992605
- Title: STELLAR: Siamese Multi-Headed Attention Neural Networks for Overcoming
Temporal Variations and Device Heterogeneity with Indoor Localization
- Title(参考訳): STELLAR: 屋内局所化による時間変動とデバイス不均一性克服のためのシームズマルチヘッドアテンションニューラルネットワーク
- Authors: Danish Gufran, Saideep Tiku, and Sudeep Pasricha
- Abstract要約: スマートフォンベースの屋内ローカライゼーションは、モバイルおよびIoTデバイスを屋内でローカライズするためのコスト効率と正確なソリューションとして登場した。
対照的な学習手法を実装した新しいフレームワークSTELLARを提案する。
その結果,最先端技術と比較して精度が8~75%向上した。
- 参考スコア(独自算出の注目度): 2.9699290794642366
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Smartphone-based indoor localization has emerged as a cost-effective and
accurate solution to localize mobile and IoT devices indoors. However, the
challenges of device heterogeneity and temporal variations have hindered its
widespread adoption and accuracy. Towards jointly addressing these challenges
comprehensively, we propose STELLAR, a novel framework implementing a
contrastive learning approach that leverages a Siamese multi-headed attention
neural network. STELLAR is the first solution that simultaneously tackles
device heterogeneity and temporal variations in indoor localization, without
the need for retraining the model (re-calibration-free). Our evaluations across
diverse indoor environments show 8-75% improvements in accuracy compared to
state-of-the-art techniques, to effectively address the device heterogeneity
challenge. Moreover, STELLAR outperforms existing methods by 18-165% over 2
years of temporal variations, showcasing its robustness and adaptability.
- Abstract(参考訳): スマートフォンベースの屋内ローカライゼーションは、モバイルおよびIoTデバイスを屋内でローカライズするためのコスト効率と正確なソリューションとして登場した。
しかし、デバイスの不均一性と時間変動の課題は、その普及と精度を妨げている。
これらの課題を包括的に解決するために、我々は、シームズマルチヘッドアテンションニューラルネットワークを活用したコントラスト学習アプローチを実装する新しいフレームワークであるSTELLARを提案する。
STELLARは、モデルの再トレーニング(再校正自由)を必要とせず、デバイスの不均一性と時間的変動を同時に対処する最初のソリューションである。
多様な屋内環境における評価結果から,デバイスの不均一性課題を効果的に解決するために,最先端技術と比較して8~75%精度が向上した。
さらに、STELLARは2年間の時間変動で既存の手法を18-165%上回り、その堅牢性と適応性を示している。
関連論文リスト
- Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳(メタデータ) (2025-01-20T04:26:21Z) - Smooth Handovers via Smoothed Online Learning [48.953313950521746]
まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。
本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。
本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
論文 参考訳(メタデータ) (2025-01-14T13:16:33Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-29T19:02:54Z) - Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。
一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。
本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文 参考訳(メタデータ) (2024-03-27T09:14:36Z) - Compute-in-Memory based Neural Network Accelerators for Safety-Critical
Systems: Worst-Case Scenarios and Protections [8.813981342105151]
本稿では,CiM加速器の最悪の性能をデバイス変動の影響で特定する問題について検討する。
本稿では,対向訓練とノイズ注入訓練を効果的に組み合わせた,A-TRICEという新たな最悪の事例認識訓練手法を提案する。
実験の結果,A-TRICEは機器の変量下での最悪のケース精度を最大33%向上することがわかった。
論文 参考訳(メタデータ) (2023-12-11T05:56:00Z) - 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) - Federated Learning for Computationally-Constrained Heterogeneous
Devices: A Survey [3.219812767529503]
フェデレートラーニング(FL)は、通信オーバーヘッドとモデルの正確性の間のトレードオフをプライバシ保護する。
現実のアプリケーションに広く適用するためにFLが克服しなければならない課題について概説する。
論文 参考訳(メタデータ) (2023-07-18T12:05:36Z) - PointFix: Learning to Fix Domain Bias for Robust Online Stereo
Adaptation [67.41325356479229]
本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。
簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。
このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
論文 参考訳(メタデータ) (2022-07-27T07:48:29Z) - 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) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-01-14T17:43:52Z)
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。