論文の概要: Handling Device Heterogeneity for Deep Learning-based Localization
- arxiv url: http://arxiv.org/abs/2407.16923v1
- Date: Wed, 24 Jul 2024 01:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 15:12:43.202711
- Title: Handling Device Heterogeneity for Deep Learning-based Localization
- Title（参考訳）: 深層学習に基づく局所化のためのハンドリングデバイスの不均一性
- Authors: Ahmed Shokry, Moustafa Youssef,
- Abstract要約: 本稿では,深層学習に基づくローカライゼーションシステムにおいて,電話の不均一性問題に対処するテクニックをいくつか紹介する。
4つの独立したテストベッド上で異なるAndroid端末を用いて提案手法の評価を行った結果,本手法は局所化精度を220%以上向上できることがわかった。
- 参考スコア（独自算出の注目度）: 4.962238993531738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based fingerprinting is one of the current promising technologies for outdoor localization in cellular networks. However, deploying such localization systems for heterogeneous phones affects their accuracy as the cellular received signal strength (RSS) readings vary for different types of phones. In this paper, we introduce a number of techniques for addressing the phones heterogeneity problem in the deep-learning based localization systems. The basic idea is either to approximate a function that maps the cellular RSS measurements between different devices or to transfer the knowledge across them. Evaluation of the proposed techniques using different Android phones on four independent testbeds shows that our techniques can improve the localization accuracy by more than 220% for the four testbeds as compared to the state-of-the-art systems. This highlights the promise of the proposed device heterogeneity handling techniques for enabling a wide deployment of deep learning-based localization systems over different devices.
- Abstract（参考訳）: ディープラーニングベースのフィンガープリントは、携帯電話ネットワークにおける屋外ローカライズのための、現在有望な技術の1つである。
しかし、不均一な携帯電話にそのようなローカライズシステムを配置することは、携帯電話の受信信号強度(RSS)が異なるため、その精度に影響を及ぼす。
本稿では,深層学習に基づくローカライゼーションシステムにおいて,電話の不均一性問題に対処するテクニックをいくつか紹介する。
基本的な考え方は、異なるデバイス間で細胞のRSS測定をマッピングする関数を近似するか、あるいはそれらの知識を伝達するかである。
4つの独立したテストベッド上で異なるAndroid端末を用いて提案手法の評価を行った結果,本手法は4つのテストベッドに対して,最先端のシステムと比較して,220%以上のローカライズ精度を向上できることがわかった。
このことは、さまざまなデバイスにディープラーニングベースのローカライゼーションシステムを広範囲に展開可能にするための、提案されたデバイス不均一性ハンドリングテクニックの約束を強調している。
関連論文リスト
- Improved Indoor Localization with Machine Learning Techniques for IoT
applications [0.0]
本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。
実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
論文 参考訳（メタデータ） (2024-02-18T02:55:19Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - VITAL: Vision Transformer Neural Networks for Accurate Smartphone
Heterogeneity Resilient Indoor Localization [3.577310844634503]
Wi-Fiフィンガープリントに基づく屋内ローカライゼーションは、新たな組み込みアプリケーションドメインである。
この課題に対処するために,VITALと呼ばれる視覚トランスフォーマーニューラルネットワークに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-18T23:43:45Z) - 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) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Neighbor Oblivious Learning (NObLe) for Device Localization and Tracking [34.98694924342293]
主な理由は、機械学習が同等の精度でGPSクエリよりもはるかにエネルギー効率が高いことである。
本稿では,これらの基本構造情報を利用することができないため,最先端のシステムでは精度が著しく低下していると論じる。
WiFiベースの指紋位置測定と慣性計測ユニット(IMU)ベースのデバイストラッキングを含む2つのアプリケーションにおけるアプローチの有効性を実証し、最先端の予測精度よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2020-11-23T17:25:25Z) - Acoustics Based Intent Recognition Using Discovered Phonetic Units for
Low Resource Languages [51.0542215642794]
本稿では,検出された音素単位を意図分類に用いる新しい音響に基づく意図認識システムを提案する。
我々は,2つの言語群 – インディカル言語とロマンス言語 – に対する2つの異なる意図認識タスクの結果を提示する。
論文 参考訳（メタデータ） (2020-11-07T00:35:31Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z) - Distributed Learning on Heterogeneous Resource-Constrained Devices [3.6187468775839373]
我々は、ローエンドからハイエンドまで多種多様なデバイスからなる分散システムを考える。
このような異種システムにおける分散学習を実現するための最初のアプローチを提案する。
このアプローチを適用すると、各デバイスは、その能力に適合するトポロジを備えたニューラルネットワーク(NN)を使用するが、これらのNNの一部は、同じトポロジを共有して、それらのパラメータを共同で学習することができる。
論文 参考訳（メタデータ） (2020-06-09T16:58:49Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳（メタデータ） (2020-06-07T05:11:18Z)
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。