論文の概要: Permutation-Invariant Transformer Neural Architectures for Set-Based Indoor Localization Using Learned RSSI Embeddings

• arxiv url: http://arxiv.org/abs/2506.00656v1
• Date: Sat, 31 May 2025 17:56:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.394438
• Title: Permutation-Invariant Transformer Neural Architectures for Set-Based Indoor Localization Using Learned RSSI Embeddings
• Title（参考訳）: 学習RSSI埋め込みを用いた集合型屋内局所化のための置換不変変圧器ニューラルアーキテクチャ
• Authors: Aris J. Aristorenas,
• Abstract要約: Wi-Fi アクセスポイントからの RSSI スキャンを用いた屋内位置推定のための置換型ニューラルアーキテクチャを提案する。 6つの建物からなるキャンパス環境にまたがって収集したデータセットのモデルを評価する。 その結果, モデルが細粒度構造を正確に復元し, 物理的に異なる領域にまたがって性能を維持できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a permutation-invariant neural architecture for indoor localization using RSSI scans from Wi-Fi access points. Each scan is modeled as an unordered set of (BSSID, RSSI) pairs, where BSSIDs are mapped to learned embeddings and concatenated with signal strength. These are processed by a Set Transformer, enabling the model to handle variable-length, sparse inputs while learning attention-based representations over access point relationships. We evaluate the model on a dataset collected across a campus environment consisting of six buildings. Results show that the model accurately recovers fine-grained spatial structure and maintains performance across physically distinct domains. In our experiments, a simple LSTM consistently outperformed all other models, achieving the lowest mean localization error across three tasks (E1 - E3), with average errors as low as 2.23 m. The Set Transformer performed competitively, ranking second in every experiment and outperforming the MLP, RNN, and basic attention models, particularly in scenarios involving multiple buildings (E2) and multiple floors (E3). Performance degraded most in E2, where signal conditions varied substantially across buildings, highlighting the importance of architectural robustness to domain diversity. This work demonstrates that set-based neural models are a natural fit for signal-based localization, offering a principled approach to handling sparse, unordered inputs in real-world positioning tasks.
• Abstract（参考訳）: Wi-Fi アクセスポイントからの RSSI スキャンを用いた屋内位置推定のための置換不変ニューラルアーキテクチャを提案する。 各スキャンは、BSSID(RSSI)ペアの順序のないセットとしてモデル化され、BSSIDは埋め込みを学習するためにマッピングされ、信号強度と連結される。 これらはSet Transformerによって処理され、モデルが可変長のスパース入力を処理し、アクセスポイント関係上の注意に基づく表現を学習する。 6つの建物からなるキャンパス環境にまたがって収集したデータセットのモデルを評価する。 その結果, モデルが細粒度空間構造を正確に復元し, 物理的に異なる領域にまたがって性能を維持できることが示唆された。 我々の実験では、単純なLSTMは他の全てのモデルよりも一貫して優れており、3つのタスク(E1 - E3)で平均的な局所化誤差が最低で、平均誤差は2.23mである。 セットトランスフォーマーは全ての実験で2位となり、特に複数の建物(E2)と複数のフロア(E3)を含むシナリオにおいて、MLP、RNN、および基本的な注意モデルを上回った。 E2では、信号条件が建物全体に大きく変化し、ドメインの多様性に対するアーキテクチャの堅牢性の重要性が強調された。 この研究は、セットベースのニューラルモデルが信号ベースのローカライゼーションに自然な適合性を示し、現実世界の位置決めタスクにおいてスパースで非秩序な入力を扱うための原則化されたアプローチを提供する。

関連論文リスト

• Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
  局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。 我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。 3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T06:48:01Z)
• Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
  我々は任意の行列群同変をkanに組み込む方法であるEquivariant Kolmogorov-Arnold Networks (EKAN)を提案する。 EKANは、粒子散乱や3体問題といった対称性に関連したタスクにおいて、より小さなデータセットやより少ないパラメータで高い精度を達成する。
  論文  参考訳（メタデータ） (2024-10-01T06:34:58Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization [3.8310036898137296]
  RSSIに基づく位置情報のフィンガープリントは,新たなインフラの設置を必要としないという利点から,屋内のローカライズ技術として主流となる。 DNNのようなAI/ML技術を使用することで、位置フィンガープリントをより正確で信頼性の高いものにすることができる。 我々は,多出力ガウス過程(MOGP)に基づくRSSIデータ拡張の3つの異なる手法について検討した。 MOGPに基づくRSSIデータ拡張の可能性は、最先端のRNN屋内ローカライゼーションモデルとUJIに基づく実験によって実証される。
  論文  参考訳（メタデータ） (2022-02-04T05:15:52Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)

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。