論文の概要: Attentional Graph Meta-Learning for Indoor Localization Using Extremely Sparse Fingerprints

• arxiv url: http://arxiv.org/abs/2504.04829v1
• Date: Mon, 07 Apr 2025 08:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:37.229346
• Title: Attentional Graph Meta-Learning for Indoor Localization Using Extremely Sparse Fingerprints
• Title（参考訳）: 極小フィンガープリントを用いた屋内定位のための注意グラフメタラーニング
• Authors: Wenzhong Yan, Feng Yin, Jun Gao, Ao Wang, Yang Tian, Ruizhi Chen,
• Abstract要約: フィンガープリントに基づく屋内のローカライゼーションは、高密度グリッドが必要であり、時間と空間にわたって繰り返し測定されるため、労働集約的であることが多い。 既存のベンチマーク手法は主に測定された指紋に依存し、貴重な空間的・環境的特性を無視する。 本稿では,空間的隣接関係を学習し,隣接する指紋から情報を集約することのできる注意グラフニューラルネットワーク(AGNN)モデルの体系的な統合を提案する。
• 参考スコア（独自算出の注目度）: 17.159049478569173
• License:
• Abstract: Fingerprint-based indoor localization is often labor-intensive due to the need for dense grids and repeated measurements across time and space. Maintaining high localization accuracy with extremely sparse fingerprints remains a persistent challenge. Existing benchmark methods primarily rely on the measured fingerprints, while neglecting valuable spatial and environmental characteristics. In this paper, we propose a systematic integration of an Attentional Graph Neural Network (AGNN) model, capable of learning spatial adjacency relationships and aggregating information from neighboring fingerprints, and a meta-learning framework that utilizes datasets with similar environmental characteristics to enhance model training. To minimize the labor required for fingerprint collection, we introduce two novel data augmentation strategies: 1) unlabeled fingerprint augmentation using moving platforms, which enables the semi-supervised AGNN model to incorporate information from unlabeled fingerprints, and 2) synthetic labeled fingerprint augmentation through environmental digital twins, which enhances the meta-learning framework through a practical distribution alignment, which can minimize the feature discrepancy between synthetic and real-world fingerprints effectively. By integrating these novel modules, we propose the Attentional Graph Meta-Learning (AGML) model. This novel model combines the strengths of the AGNN model and the meta-learning framework to address the challenges posed by extremely sparse fingerprints. To validate our approach, we collected multiple datasets from both consumer-grade WiFi devices and professional equipment across diverse environments. Extensive experiments conducted on both synthetic and real-world datasets demonstrate that the AGML model-based localization method consistently outperforms all baseline methods using sparse fingerprints across all evaluated metrics.
• Abstract（参考訳）: フィンガープリントに基づく屋内のローカライゼーションは、高密度グリッドが必要であり、時間と空間にわたって繰り返し測定されるため、労働集約的であることが多い。 極端に疎い指紋で高い位置決め精度を維持することは、依然として永続的な課題である。 既存のベンチマーク手法は主に測定された指紋に依存し、貴重な空間的・環境的特性を無視する。 本稿では,空間的隣接関係を学習し,近隣の指紋から情報を集約するアテンショナルグラフニューラルネットワーク(AGNN)モデルと,類似した環境特性を持つデータセットを用いてモデルトレーニングを強化するメタラーニングフレームワークの体系的な統合を提案する。 指紋採取に必要な労力を最小限に抑えるため,2つの新しいデータ拡張戦略を導入する。 1)移動プラットフォームを用いた無ラベル指紋増設により、半監督型AGNNモデルで無ラベル指紋からの情報を取り込むことが可能となり、 2) 環境デジタル双生児による合成ラベル付き指紋増強は, 実用的な分布アライメントを通じてメタラーニングの枠組みを強化し, 合成指紋と実世界の指紋の特徴差を効果的に最小化することができる。 これらの新しいモジュールを統合することで、注意グラフメタラーニング(AGML)モデルを提案する。 この新モデルはAGNNモデルとメタラーニングフレームワークの強みを組み合わせ、極めてスパースな指紋によって引き起こされる課題に対処する。 このアプローチを検証するために、コンシューマグレードのWiFiデバイスと、さまざまな環境にまたがる専門的な機器から、複数のデータセットを収集しました。 合成と実世界の両方のデータセットで実施された大規模な実験により、AGMLモデルに基づくローカライゼーション法は、評価された指標のすべてにわたってスパースフィンガーを使用して、すべてのベースラインメソッドを一貫して上回っていることが示された。

関連論文リスト

• Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework [0.4683612295430956]
  DF-Locはマルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋位置決めシステムである このシステムは、CSIデータ前処理のための品質制御(QC)モジュールを搭載し、CSI指紋特徴再構成のための画像処理技術を採用している。 オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
  論文  参考訳（メタデータ） (2025-02-11T04:29:22Z)
• Invisible Traces: Using Hybrid Fingerprinting to identify underlying LLMs in GenAI Apps [0.0]
  大規模言語モデル(LLM)のフィンガープリントは、AI統合アプリケーションのセキュリティと透明性を保証するために欠かせないものとなっている。 静的および動的フィンガープリント技術を統合することにより,これらの課題に対処する新しいフィンガープリントフレームワークを提案する。 提案手法は, 動的環境下でのLDMの高精度かつ堅牢なフィンガープリントを可能にするため, 建築特性と挙動特性を同定する。
  論文  参考訳（メタデータ） (2025-01-30T19:15:41Z)
• MRA-GNN: Minutiae Relation-Aware Model over Graph Neural Network for Fingerprint Embedding [4.5262471547727845]
  グラフニューラルネットワーク(MRA-GNN)上でのMinutiae Relation-Awareモデルと呼ばれる,指紋埋め込みのための新しいパラダイムを提案する。 提案手法は,指紋のトポロジと相関を記述的特徴にエンコードするために,指紋埋め込みにGNNベースのフレームワークを組み込んだものである。 我々は,MRA-GNNにTRM(Topological Relation Reasoning Module)とCAM(Relation-Aware Module)を設け,これらのグラフから指紋の埋め込みをうまく学習する。
  論文  参考訳（メタデータ） (2023-07-31T05:54:06Z)
• AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
  指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。 ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。 この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2022-11-25T05:10:39Z)
• SpoofGAN: Synthetic Fingerprint Spoof Images [47.87570819350573]
  指紋スプーフ検出の進歩に対する大きな制限は、公開可能な大規模な指紋スプーフデータセットの欠如である。 この研究は、これらのアルゴリズムに十分なデータを供給する際に、合成指紋(ライブ指紋とスプーフ指紋の両方)の有用性を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-04-13T16:27:27Z)
• Style-Hallucinated Dual Consistency Learning for Domain Generalized Semantic Segmentation [117.3856882511919]
  本稿では、ドメインシフトを処理するためのStyle-HAllucinated Dual consistEncy Learning(SHADE)フレームワークを提案する。 SHADEは3つの実世界のデータセットの平均mIoUに対して5.07%と8.35%の精度で改善し、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-06T02:49:06Z)
• Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization [5.721124285238145]
  IoT(Internet of Things)におけるデバイスフリーワイヤレス屋内位置決め技術 指紋ベースの手法の一般的な課題は、データ収集とラベル付けである。 本稿では,現在の環境から少量のラベル付きデータのみを利用する,数発の転送学習システムを提案する。
  論文  参考訳（メタデータ） (2022-01-29T20:49:45Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
  ProxyFAUGはルールベースで近接性に基づく指紋増強法である。 このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
  論文  参考訳（メタデータ） (2021-02-04T15:59:30Z)
• MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
  本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。 このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。 実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
  論文  参考訳（メタデータ） (2020-08-27T13:04:27Z)

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。