論文の概要: Towards Explainable Indoor Localization: Interpreting Neural Network Learning on Wi-Fi Fingerprints Using Logic Gates

• arxiv url: http://arxiv.org/abs/2506.15559v1
• Date: Wed, 18 Jun 2025 15:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.718279
• Title: Towards Explainable Indoor Localization: Interpreting Neural Network Learning on Wi-Fi Fingerprints Using Logic Gates
• Title（参考訳）: 説明可能な屋内ローカライゼーションに向けて:論理ゲートを用いたWi-Fiフィンガープリントにおけるニューラルネットワーク学習の解釈
• Authors: Danish Gufran, Sudeep Pasricha,
• Abstract要約: DLベースの屋内ローカライゼーションを解釈・拡張するための新しい論理ゲートベースのフレームワークであるLogNetを紹介する。 我々はLogNetが性能を1.1倍から2.8倍のローカライズエラー、3.4倍から43.3倍のモデルサイズ、1.5倍から3.6倍のレイテンシで改善していることを示す。
• 参考スコア（独自算出の注目度）: 3.3379026542599934
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Indoor localization using deep learning (DL) has demonstrated strong accuracy in mapping Wi-Fi RSS fingerprints to physical locations; however, most existing DL frameworks function as black-box models, offering limited insight into how predictions are made or how models respond to real-world noise over time. This lack of interpretability hampers our ability to understand the impact of temporal variations - caused by environmental dynamics - and to adapt models for long-term reliability. To address this, we introduce LogNet, a novel logic gate-based framework designed to interpret and enhance DL-based indoor localization. LogNet enables transparent reasoning by identifying which access points (APs) are most influential for each reference point (RP) and reveals how environmental noise disrupts DL-driven localization decisions. This interpretability allows us to trace and diagnose model failures and adapt DL systems for more stable long-term deployments. Evaluations across multiple real-world building floorplans and over two years of temporal variation show that LogNet not only interprets the internal behavior of DL models but also improves performance-achieving up to 1.1x to 2.8x lower localization error, 3.4x to 43.3x smaller model size, and 1.5x to 3.6x lower latency compared to prior DL-based models.
• Abstract（参考訳）: 深層学習(DL)を用いた屋内のローカライゼーションは、Wi-Fi RSS指紋を物理的な場所にマッピングする上で非常に正確であることを示しているが、既存のほとんどのDLフレームワークはブラックボックスモデルとして機能し、予測がどのように作成されるか、モデルが時間とともに現実のノイズにどう反応するかについての限られた洞察を提供する。 この解釈可能性の欠如は、時間的変動(環境ダイナミクスによる)の影響を理解し、長期的信頼性にモデルを適用する能力を損なう。 そこで我々は,DLに基づく屋内ローカライゼーションの解釈と拡張を目的とした論理ゲートベースの新しいフレームワークであるLogNetを紹介した。 LogNetは、各参照ポイント(RP)に最も影響を与えるアクセスポイント(AP)を特定し、環境騒音がDL駆動のローカライゼーション決定をいかに阻害するかを明らかにすることによって、透過的な推論を可能にする。 この解釈可能性により、モデルの障害をトレースし、診断し、より安定した長期展開にDLシステムを適用することができます。 複数の現実世界のビルディングフロアプランと2年以上にわたる時間変動の評価から、LogNetはDLモデルの内部動作を解釈するだけでなく、パフォーマンスを1.1xから2.8x低いローカライゼーションエラー、3.4xから43.3x小さなモデルサイズ、1.5xから3.6倍のレイテンシで改善している。

関連論文リスト

• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks [2.7186493234782527]
  SENTINELは、屋内のローカライゼーションソリューションの敵攻撃に対するレジリエンスを高めるための、新しい組込み機械学習フレームワークである。 RSSRogueLocも導入しています。これは実世界の屋内環境からローグAPの効果を計測するデータセットです。
  論文  参考訳（メタデータ） (2024-07-14T21:40:12Z)
• Investigating Training Strategies and Model Robustness of Low-Rank Adaptation for Language Modeling in Speech Recognition [27.515920408920216]
  フリーズドプレトレーニング言語モデル(PLM)を用いたローランク適応(LoRA)は、メモリ制約ハードウェアのための資源効率の高いモデリング手法である。 本研究では,様々なLoRAトレーニング戦略を導入することにより,モデル性能を向上させる方法について検討する。 LoRAに基づく第2パス音声認識モデルの安定性をさらに評価するため,入力摂動に対する検討を行った。
  論文  参考訳（メタデータ） (2024-01-19T01:30:16Z)
• Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
  ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。 データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。 本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T23:55:17Z)
• FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments [2.7776688429637466]
  FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。 固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。 少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
  論文  参考訳（メタデータ） (2023-05-15T10:09:07Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Distribution-sensitive Information Retention for Accurate Binary Neural Network [49.971345958676196]
  本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。 我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。 我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2021-09-25T10:59:39Z)

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。