論文の概要: MetaGraphLoc: A Graph-based Meta-learning Scheme for Indoor Localization via Sensor Fusion

• arxiv url: http://arxiv.org/abs/2411.17781v1
• Date: Tue, 26 Nov 2024 11:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:03.840252
• Title: MetaGraphLoc: A Graph-based Meta-learning Scheme for Indoor Localization via Sensor Fusion
• Title（参考訳）: MetaGraphLoc: センサーフュージョンによる屋内ローカライゼーションのためのグラフベースのメタラーニングスキーム
• Authors: Yaya Etiabi, Eslam Eldeeb, Mohammad Shehab, Wafa Njima, Hirley Alves, Mohamed-Slim Alouini, El Mehdi Amhoud,
• Abstract要約: 本稿では,センサフュージョン,グラフニューラルネットワーク(GNN),メタラーニングを活用して限界を克服する新しいシステムであるMetaGraphLocを紹介する。 本稿では,動的エッジ構築(DEC)を特徴とするGNNアーキテクチャを提案する。 データの融合により、ローカライズエラーが15.92%減少し、その重要性が強調される。
• 参考スコア（独自算出の注目度）: 42.94118734286144
• License:
• Abstract: Accurate indoor localization remains challenging due to variations in wireless signal environments and limited data availability. This paper introduces MetaGraphLoc, a novel system leveraging sensor fusion, graph neural networks (GNNs), and meta-learning to overcome these limitations. MetaGraphLoc integrates received signal strength indicator measurements with inertial measurement unit data to enhance localization accuracy. Our proposed GNN architecture, featuring dynamic edge construction (DEC), captures the spatial relationships between access points and underlying data patterns. MetaGraphLoc employs a meta-learning framework to adapt the GNN model to new environments with minimal data collection, significantly reducing calibration efforts. Extensive evaluations demonstrate the effectiveness of MetaGraphLoc. Data fusion reduces localization error by 15.92%, underscoring its importance. The GNN with DEC outperforms traditional deep neural networks by up to 30.89%, considering accuracy. Furthermore, the meta-learning approach enables efficient adaptation to new environments, minimizing data collection requirements. These advancements position MetaGraphLoc as a promising solution for indoor localization, paving the way for improved navigation and location-based services in the ever-evolving Internet of Things networks.
• Abstract（参考訳）: 無線信号環境の変化とデータ可用性の制限により、正確な屋内位置決めは依然として困難である。 本稿では,センサフュージョン,グラフニューラルネットワーク(GNN),メタラーニングを活用した新しいシステムであるMetaGraphLocを紹介する。 MetaGraphLocは受信信号強度インジケータと慣性測定ユニットデータを統合し、ローカライゼーション精度を向上させる。 本稿では,動的エッジ構築(DEC)を特徴とするGNNアーキテクチャを提案する。 MetaGraphLocはメタラーニングフレームワークを使用して、GNNモデルを最小限のデータ収集で新しい環境に適応し、キャリブレーションの労力を大幅に削減する。 大規模な評価はMetaGraphLocの有効性を示す。 データ融合は、ローカライゼーションの誤差を15.92%削減し、その重要性を強調している。 DECを備えたGNNは、正確性を考慮して、従来のディープニューラルネットワークを最大30.89%上回っている。 さらに、メタラーニングアプローチは、データ収集要求を最小限に抑えて、新しい環境への効率的な適応を可能にする。 これらの進歩は、MetaGraphLocを屋内ローカライゼーションの有望なソリューションとして位置づけ、進化を続けるIoTネットワークにおけるナビゲーションとロケーションベースのサービスを改善する道を開いた。

関連論文リスト

• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
  我々は,PE-GNN,Quantile Neural Networks,および再校正技術を完全非パラメトリックフレームワークに統合する新しい手法である,位置グラフ量子ニューラルネットワーク(PE-GQNN)を紹介する。 ベンチマークデータセットの実験では、PE-GQNNは予測精度と不確実性の定量化の両方で既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-09-27T16:02:12Z)
• FeMLoc: Federated Meta-learning for Adaptive Wireless Indoor Localization Tasks in IoT Networks [1.0650780147044159]
  FeMLocはローカライゼーションのための統合メタラーニングフレームワークである。 FeMLocは、(i)コラボレーティブなメタトレーニングで、エッジデバイスからさまざまなローカライゼーションデータセットをトレーニングすることで、グローバルなメタモデルを生成する。 目標精度が約5mの場合、FeMLocはベースラインNNアプローチよりも82.21%高速である。
  論文  参考訳（メタデータ） (2024-05-17T20:22:39Z)
• 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)
• Point-SLAM: Dense Neural Point Cloud-based SLAM [61.96492935210654]
  本稿では,モノクラーRGBD入力に対する高密度ニューラルネットワークの局所化とマッピング(SLAM)手法を提案する。 トラッキングとマッピングの両方が、同じポイントベースのニューラルシーン表現で実行可能であることを実証する。
  論文  参考訳（メタデータ） (2023-04-09T16:48:26Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• 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。