論文の概要: MG-HGNN: A Heterogeneous GNN Framework for Indoor Wi-Fi Fingerprint-Based Localization
- arxiv url: http://arxiv.org/abs/2511.07282v1
- Date: Mon, 10 Nov 2025 16:27:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.36955
- Title: MG-HGNN: A Heterogeneous GNN Framework for Indoor Wi-Fi Fingerprint-Based Localization
- Title（参考訳）: MG-HGNN:屋内Wi-Fiフィンガープリントに基づく位置決めのための異種GNNフレームワーク
- Authors: Yibu Wang, Zhaoxin Zhang, Ning Li, Xinlong Zhao, Dong Zhao, Tianzi Zhao,
- Abstract要約: 受信信号強度インジケータ(RSSI)は、Wi-Fi指紋の主要な表現であり、屋内のローカライゼーションにとって重要なツールである。
既存のRSSIベースの位置決め手法は、環境の複雑さとマルチソース情報処理の課題により、精度の低下に悩まされることが多い。
本稿では,空間認識の向上と位置決め性能の向上を図るため,新しい多グラフヘテロジニアスGNNフレームワーク(MG-HGNN)を提案する。
- 参考スコア（独自算出の注目度）: 7.504850390950139
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Received signal strength indicator (RSSI) is the primary representation of Wi-Fi fingerprints and serves as a crucial tool for indoor localization. However, existing RSSI-based positioning methods often suffer from reduced accuracy due to environmental complexity and challenges in processing multi-source information. To address these issues, we propose a novel multi-graph heterogeneous GNN framework (MG-HGNN) to enhance spatial awareness and improve positioning performance. In this framework, two graph construction branches perform node and edge embedding, respectively, to generate informative graphs. Subsequently, a heterogeneous graph neural network is employed for graph representation learning, enabling accurate positioning. The MG-HGNN framework introduces the following key innovations: 1) multi-type task-directed graph construction that combines label estimation and feature encoding for richer graph information; 2) a heterogeneous GNN structure that enhances the performance of conventional GNN models. Evaluations on the UJIIndoorLoc and UTSIndoorLoc public datasets demonstrate that MG-HGNN not only achieves superior performance compared to several state-of-the-art methods, but also provides a novel perspective for enhancing GNN-based localization methods. Ablation studies further confirm the rationality and effectiveness of the proposed framework.
- Abstract（参考訳）: 受信信号強度インジケータ(RSSI)は、Wi-Fi指紋の主要な表現であり、屋内のローカライゼーションにおいて重要なツールである。
しかし、既存のRSSIベースの位置決め手法は、環境の複雑さやマルチソース情報処理の課題により、精度の低下に悩まされることが多い。
これらの課題に対処するために,空間認識を高め,位置決め性能を向上させるために,新しい多グラフヘテロジニアスGNNフレームワーク(MG-HGNN)を提案する。
このフレームワークでは、2つのグラフ構築ブランチがそれぞれノードとエッジの埋め込みを行い、情報グラフを生成する。
その後、グラフ表現学習に異種グラフニューラルネットワークを用い、正確な位置決めを可能にする。
MG-HGNNフレームワークは以下の重要なイノベーションを紹介している。
1) よりリッチなグラフ情報のためのラベル推定と特徴符号化を組み合わせたマルチタイプタスク指向グラフ構築
2) 従来のGNNモデルの性能を向上させるヘテロジニアスGNN構造。
UJIIndoorLoc と UTSIndoorLoc の公開データセットによる評価は、MG-HGNN がいくつかの最先端手法に比べて優れた性能を発揮するだけでなく、GNN ベースのローカライゼーション手法を向上するための新たな視点を提供することを示している。
アブレーション研究は、提案フレームワークの合理性と有効性をさらに確認する。
関連論文リスト
- Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning [17.31465642587528]
グラフニューラルネットワーク(GNN)は、幅広いノードレベルのグラフ学習タスクのための強力なフレームワークとして登場した。
本稿では,1ホットグラフエンコーダ埋め込み (GEE) という統計的手法を用いて,高品質な初期ノード特徴を生成する。
本研究では,教師なし環境と教師なし環境の両方にまたがる広範囲なシミュレーションと実世界の実験を通して,その効果を実証する。
論文 参考訳（メタデータ） (2025-07-15T21:01:54Z) - Directed Homophily-Aware Graph Neural Network [7.539052660225002]
我々は、ホモフィア認識と指向性を考慮した新しいフレームワーク、Directed Homophily-aware Graph Neural Network (DHGNN)を提案する。
DHGNNは、ホモフィリーレベルと情報性に基づいてメッセージコントリビューションを適応的に変調するリセット可能なゲーティング機構を採用している。
解析により、このゲーティング機構は、方向のホモフィリギャップを捕捉し、層を横切るホモフィリを変動させ、複雑なグラフ構造上のメッセージパッシングの挙動について深い洞察を与えることが示された。
論文 参考訳（メタデータ） (2025-05-28T13:41:04Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - Task-Agnostic Graph Neural Network Evaluation via Adversarial
Collaboration [11.709808788756966]
GraphACは、分子表現学習のためのグラフニューラルネットワーク(GNN)の研究を評価するための、原則付き、タスクに依存し、安定したフレームワークである。
2つのGNNが互いに直接競合することから、共同で自分自身を更新できる、競争力のあるバーロウツインズ(Competitive Barlow Twins)という新しい客観的機能を導入します。
論文 参考訳（メタデータ） (2023-01-27T03:33:11Z) - Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。
我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
論文 参考訳（メタデータ） (2022-10-02T13:19:48Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - 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) - Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。
鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。
階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
論文 参考訳（メタデータ） (2020-09-08T13:11:07Z) - Adaptive Universal Generalized PageRank Graph Neural Network [36.850433364139924]
グラフニューラルネットワーク(GNN)は、両方の証拠源を利用するように設計されている。
本稿では,GPR重みを適応的に学習する汎用PageRank (GPR) GNNアーキテクチャを提案する。
GPR-GNNは、合成データとベンチマークデータの両方の既存の技術と比較して、大幅な性能改善を提供する。
論文 参考訳（メタデータ） (2020-06-14T19:27:39Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。