論文の概要: Dynamic Indoor Fingerprinting Localization based on Few-Shot Meta-Learning with CSI Images

• arxiv url: http://arxiv.org/abs/2401.05711v1
• Date: Thu, 11 Jan 2024 07:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-12 19:36:21.313534
• Title: Dynamic Indoor Fingerprinting Localization based on Few-Shot Meta-Learning with CSI Images
• Title（参考訳）: CSI画像を用いたFew-Shotメタラーニングに基づく屋内指の動的位置決め
• Authors: Jiyu Jiao, Xiaojun Wang, Chenpei Han, Yuhua Huang and Yizhuo Zhang
• Abstract要約: 本文は,データ効率のメタ学習アルゴリズムを用いて,革新的な屋内ローカライズ手法を提案する。 本実験は,現行のベンチマークよりも頑健さと優越性を確認した。
• 参考スコア（独自算出の注目度）: 1.7411855207380262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While fingerprinting localization is favored for its effectiveness, it is hindered by high data acquisition costs and the inaccuracy of static database-based estimates. Addressing these issues, this letter presents an innovative indoor localization method using a data-efficient meta-learning algorithm. This approach, grounded in the ``Learning to Learn'' paradigm of meta-learning, utilizes historical localization tasks to improve adaptability and learning efficiency in dynamic indoor environments. We introduce a task-weighted loss to enhance knowledge transfer within this framework. Our comprehensive experiments confirm the method's robustness and superiority over current benchmarks, achieving a notable 23.13\% average gain in Mean Euclidean Distance, particularly effective in scenarios with limited CSI data.
• Abstract（参考訳）: フィンガープリンティングのローカライゼーションはその有効性に有利であるが、高いデータ取得コストと静的データベースベース推定の不正確さによって妨げられている。 そこで本稿では,データ効率の高いメタラーニングアルゴリズムを用いた屋内ローカライズ手法を提案する。 メタラーニングの'learning to learn'パラダイムに基づくこのアプローチは、動的室内環境における適応性と学習効率を向上させるために歴史的なローカライゼーションタスクを使用している。 このフレームワーク内での知識伝達を強化するために,タスク重み付き損失を導入する。 我々の総合的な実験は、現在のベンチマークよりも頑健さと優位性を確認し、平均ユークリッド距離において23.13 %の平均ゲインを達成した。

関連論文リスト

• Wireless Channel Aware Data Augmentation Methods for Deep Learning-Based Indoor Localization [22.76179980847908]
  本稿では,無線伝搬チャネルやデバイスに関するドメイン知識を活用する手法を提案する。 低データ体制では、ローカライゼーション精度は50%まで上昇し、高データ体制における非増大した結果と一致することを示す。 提案手法は,測定データ量の1/4しか使用せず,最大で33%のハイデータ性能を達成できる。
  論文  参考訳（メタデータ） (2024-08-12T19:01:49Z)
• Augmenting Channel Simulator and Semi- Supervised Learning for Efficient Indoor Positioning [28.580940241818954]
  本研究は,屋内位置決めにおける労働集約的・資源消費的課題に,効率的なアプローチを提案することを目的としている。 提案手法は、ラベル付きとラベルなしの両方のチャネルデータを効果的に活用する、バイアス付き教師アルゴリズム(SSLB)による半教師付き学習(SSL)の導入を含む。
  論文  参考訳（メタデータ） (2024-08-01T10:06:02Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• A Meta-learning based Generalizable Indoor Localization Model using Channel State Information [8.302375673936387]
  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。
  論文  参考訳（メタデータ） (2023-05-22T19:54:59Z)
• Uncertainty-based Meta-Reinforcement Learning for Robust Radar Tracking [3.012203489670942]
  本稿では,不確実性に基づくメタ強化学習(Meta-RL)手法を提案する。 その複雑さに関する情報を用いて、提案アルゴリズムはトラッキングの信頼性を指摘することができる。 そこで本研究では,メタRL手法がピーク時の追跡シナリオを16%,ベースラインを35%上回ることを示す。
  論文  参考訳（メタデータ） (2022-10-26T07:48:56Z)
• Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
  教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。 我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
  論文  参考訳（メタデータ） (2022-08-26T19:50:46Z)
• Data Augmentation through Expert-guided Symmetry Detection to Improve Performance in Offline Reinforcement Learning [0.0]
  マルコフ決定過程(MDP)の動的モデルのオフライン推定は非自明な作業である。 近年の研究では、密度推定法に依存する専門家誘導パイプラインが、決定論的環境において、この構造を効果的に検出できることが示されている。 学習したMDPを解き、実際の環境に最適化されたポリシーを適用すると、前者の結果が性能改善につながることを示す。
  論文  参考訳（メタデータ） (2021-12-18T14:32:32Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• 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)
• CosSGD: Nonlinear Quantization for Communication-efficient Federated Learning [62.65937719264881]
  フェデレーション学習は、これらのクライアントのローカルデータを中央サーバに転送することなく、クライアント間での学習を促進する。 圧縮勾配降下のための非線形量子化を提案し、フェデレーションラーニングで容易に利用することができる。 本システムは,訓練過程の収束と精度を維持しつつ,通信コストを最大3桁まで削減する。
  論文  参考訳（メタデータ） (2020-12-15T12:20:28Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)

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。