論文の概要: GATE: Graph Attention Neural Networks with Real-Time Edge Construction for Robust Indoor Localization using Mobile Embedded Devices
- arxiv url: http://arxiv.org/abs/2507.11053v1
- Date: Tue, 15 Jul 2025 07:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:03.017027
- Title: GATE: Graph Attention Neural Networks with Real-Time Edge Construction for Robust Indoor Localization using Mobile Embedded Devices
- Title（参考訳）: GATE: 移動体埋め込みデバイスを用いたロバストな屋内位置推定のためのリアルタイムエッジ構築によるグラフ注意ニューラルネットワーク
- Authors: Danish Gufran, Sudeep Pasricha,
- Abstract要約: 本稿では,屋内状態空間のトポロジを保存しつつ,指紋ベクトルの適応グラフ表現を構築する新しいフレームワークであるGATEについて述べる。
Gateは、最先端の屋内ローカライゼーションフレームワークと比較して平均ローカライゼーションエラーが1.6倍から4.72倍、最悪のケースエラーが1.85倍から4.57倍となる。
- 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: Accurate indoor localization is crucial for enabling spatial context in smart environments and navigation systems. Wi-Fi Received Signal Strength (RSS) fingerprinting is a widely used indoor localization approach due to its compatibility with mobile embedded devices. Deep Learning (DL) models improve accuracy in localization tasks by learning RSS variations across locations, but they assume fingerprint vectors exist in a Euclidean space, failing to incorporate spatial relationships and the non-uniform distribution of real-world RSS noise. This results in poor generalization across heterogeneous mobile devices, where variations in hardware and signal processing distort RSS readings. Graph Neural Networks (GNNs) can improve upon conventional DL models by encoding indoor locations as nodes and modeling their spatial and signal relationships as edges. However, GNNs struggle with non-Euclidean noise distributions and suffer from the GNN blind spot problem, leading to degraded accuracy in environments with dense access points (APs). To address these challenges, we propose GATE, a novel framework that constructs an adaptive graph representation of fingerprint vectors while preserving an indoor state-space topology, modeling the non-Euclidean structure of RSS noise to mitigate environmental noise and address device heterogeneity. GATE introduces 1) a novel Attention Hyperspace Vector (AHV) for enhanced message passing, 2) a novel Multi-Dimensional Hyperspace Vector (MDHV) to mitigate the GNN blind spot, and 3) an new Real-Time Edge Construction (RTEC) approach for dynamic graph adaptation. Extensive real-world evaluations across multiple indoor spaces with varying path lengths, AP densities, and heterogeneous devices demonstrate that GATE achieves 1.6x to 4.72x lower mean localization errors and 1.85x to 4.57x lower worst-case errors compared to state-of-the-art indoor localization frameworks.
- Abstract（参考訳）: 室内の正確な位置決めは、スマート環境やナビゲーションシステムにおける空間的コンテキストの実現に不可欠である。
Wi-Fi受信信号強度(RSS)フィンガープリントは、モバイル組み込みデバイスとの互換性のため、広く使われている屋内ローカライズ手法である。
深層学習(DL)モデルは、地域ごとのRSS変化を学習することで、ローカライズタスクの精度を向上させるが、それらは、ユークリッド空間に指紋ベクトルが存在すると仮定し、空間的関係と現実世界のRSSノイズの非均一分布を組み込むことができない。
これにより、ハードウェアと信号処理の変動がRSS読取を歪ませる不均一なモバイルデバイス間での一般化が不十分になる。
グラフニューラルネットワーク(GNN)は、内部位置をノードとして符号化し、空間的および信号的関係をエッジとしてモデル化することで、従来のDLモデルを改善することができる。
しかし、GNNは非ユークリッドノイズ分布に悩まされ、GNNの盲点問題に悩まされ、高密度アクセスポイント(AP)を持つ環境での精度が低下する。
これらの課題に対処するため,室内状態空間のトポロジーを維持しつつ,指紋ベクトルの適応グラフ表現を構築する新しいフレームワークであるGATEを提案し,RSSノイズの非ユークリッド構造をモデル化し,環境騒音やアドレス装置の不均一性を緩和する。
GATE導入
1)拡張メッセージパッシングのための新しい注意ハイパースペースベクトル(AHV)
2)GNN盲点を緩和する新しい多次元ハイパースペースベクトル(MDHV)
3)動的グラフ適応のための新しいリアルタイムエッジ構築(RTEC)アプローチ。
様々な経路長、AP密度、異種デバイスを持つ屋内空間における広範囲な実世界評価は、GATEが最先端の屋内局所化フレームワークと比較して平均局所化誤差が1.6倍から4.72倍、最悪のケースエラーが1.85倍から4.57倍に達することを示した。
関連論文リスト
- DAILOC: Domain-Incremental Learning for Indoor Localization using Smartphones [2.9699290794642366]
Wi-Fiフィンガープリントによる屋内のローカライゼーションは、現実世界の展開において大きな課題に直面している。
既存のアプローチはしばしばこれらの問題に独立して対処し、結果として一般化が貧弱になり、時間の経過とともに破滅的な忘れがもたらされる。
本稿では,時間的およびデバイス的ドメインシフトを両立させる新しいドメイン増分学習フレームワークであるDAILOCを提案する。
論文 参考訳（メタデータ） (2025-06-18T15:27:40Z) - Sec5GLoc: Securing 5G Indoor Localization via Adversary-Resilient Deep Learning Architecture [0.0]
5Gミリ波とサブ6GHzのネットワークは、高精度な屋内ローカライゼーションを実現するが、セキュリティとプライバシの脆弱性は深刻な問題を引き起こす。
我々は、偽の無線信号やパーターブチャネル測定を注入する攻撃者を包含する脅威モデルを定式化し、ローカライゼーションシステムを誤解させる。
本稿では,ディープラーニングフィンガープリントと物理ドメイン知識を組み合わせた対向レジリエントなローカライゼーションアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-05-23T11:46:11Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - 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) - SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for
Indoor Localization [3.3379026542599934]
そこで本研究では,SANGRIAと呼ばれる屋内位置推定のための新しいフィンガープリント・フレームワークを提案する。
屋内の様々な地域や異種デバイスにおける平均局所化誤差が42.96%低いことを実証する。
論文 参考訳（メタデータ） (2024-03-03T00:01:29Z) - Semi-signed neural fitting for surface reconstruction from unoriented
point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。
SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。
我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文 参考訳（メタデータ） (2022-06-14T09:40:17Z) - 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) - Rewiring with Positional Encodings for Graph Neural Networks [37.394229290996364]
いくつかの最近の研究は、注意機構を備えたグラフニューラルネットワーク層の受容場を拡張するために位置符号化を使用している。
位置エンコーディングを用いて、受容場を$r$ホップ地区に拡張する。
各種モデルやデータセットの改良や,従来のGNNやグラフトランスフォーマーによる競争性能の向上を実現しています。
論文 参考訳（メタデータ） (2022-01-29T22:26:02Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - 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) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - 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。