論文の概要: Meta-SimGNN: Adaptive and Robust WiFi Localization Across Dynamic Configurations and Diverse Scenarios

• arxiv url: http://arxiv.org/abs/2511.14076v1
• Date: Tue, 18 Nov 2025 03:08:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.895368
• Title: Meta-SimGNN: Adaptive and Robust WiFi Localization Across Dynamic Configurations and Diverse Scenarios
• Title（参考訳）: Meta-SimGNN:動的構成と異種シナリオにわたる適応的かつロバストなWiFiローカライゼーション
• Authors: Qiqi Xiao, Ziqi Ye, Yinghui He, Jianwei Liu, Guanding Yu,
• Abstract要約: 本稿では,グラフニューラルネットワークとメタラーニングを統合した新しいWiFiローカライゼーションシステムMeta-SimGNNを提案する。 各ノードの特徴を構造化するために,振幅位相融合法と特徴抽出法を提案する。 前者は振幅と位相の両方を利用してCSI画像を構築し、データの信頼性を高め、後者は帯域幅とアンテナ数の変化に対処するために次元一貫性のある特徴を抽出する。
• 参考スコア（独自算出の注目度）: 19.53646761400287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To promote the practicality of deep learning-based localization, existing studies aim to address the issue of scenario dependence through meta-learning. However, these studies primarily focus on variations in environmental layouts while overlooking the impact of changes in device configurations, such as bandwidth, the number of access points (APs), and the number of antennas used. Unlike environmental changes, variations in device configurations affect the dimensionality of channel state information (CSI), thereby compromising neural network usability. To address this issue, we propose Meta-SimGNN, a novel WiFi localization system that integrates graph neural networks with meta-learning to improve localization generalization and robustness. First, we introduce a fine-grained CSI graph construction scheme, where each AP is treated as a graph node, allowing for adaptability to changes in the number of APs. To structure the features of each node, we propose an amplitude-phase fusion method and a feature extraction method. The former utilizes both amplitude and phase to construct CSI images, enhancing data reliability, while the latter extracts dimension-consistent features to address variations in bandwidth and the number of antennas. Second, a similarity-guided meta-learning strategy is developed to enhance adaptability in diverse scenarios. The initial model parameters for the fine-tuning stage are determined by comparing the similarity between the new scenario and historical scenarios, facilitating rapid adaptation of the model to the new localization scenario. Extensive experimental results over commodity WiFi devices in different scenarios show that Meta-SimGNN outperforms the baseline methods in terms of localization generalization and accuracy.
• Abstract（参考訳）: 深層学習に基づくローカライゼーションの実践性を促進するため,既存の研究はメタラーニングによるシナリオ依存の問題に対処することを目的としている。 しかし、これらの研究は、帯域幅、アクセスポイント数(AP)、使用するアンテナ数など、デバイス構成の変化の影響を見越しながら、環境配置の変化に重点を置いている。 環境変化とは異なり、デバイス構成の変化はチャネル状態情報(CSI)の次元性に影響し、それによってニューラルネットワークのユーザビリティを損なう。 そこで我々は,グラフニューラルネットワークとメタラーニングを統合した新しいWiFiローカライズシステムMeta-SimGNNを提案する。 まず,各APをグラフノードとして扱う細粒度CSIグラフ構築方式を提案する。 各ノードの特徴を構造化するために,振幅位相融合法と特徴抽出法を提案する。 前者は振幅と位相の両方を利用してCSI画像を構築し、データの信頼性を高め、後者は帯域幅とアンテナ数の変化に対処するために次元一貫性のある特徴を抽出する。 第二に、多様なシナリオにおける適応性を高めるために類似性誘導型メタラーニング戦略が開発されている。 微調整段階の初期モデルパラメータは、新しいシナリオと過去のシナリオの類似性を比較して決定し、モデルと新しいローカライゼーションシナリオの迅速な適応を容易にする。 異なるシナリオにおけるコモディティWi-Fiデバイスに対する大規模な実験結果から,Meta-SimGNNはローカライゼーションの一般化と精度において,ベースライン手法よりも優れていることが示された。

関連論文リスト

• Multi-View Wireless Sensing via Conditional Generative Learning: Framework and Model Design [16.839582722091635]
  複数基地局(BS)とユーザ機器(UE)間の多視点チャネル状態情報(CSI)を用いた学習に基づく高精度ターゲットセンシングに物理知識を取り入れた。 我々は、二部構成のニューラルネットワークアーキテクチャを設計し、その最初の部分は、精巧に設計されたエンコーダを使用して、マルチビューCSIに埋め込まれた潜在ターゲット機能を融合する。 第2部では、これらを強力な生成モデルの条件付け入力として使用して、ターゲットの再構築を誘導する。
  論文  参考訳（メタデータ） (2025-05-19T03:27:24Z)
• Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction [25.688521281119037]
  下流タスクの最適化には,V2Vチャネル状態情報(CSI)予測が不可欠である。 従来の予測手法は、時間、帯域幅、アンテナ(TX、RX)空間の予測を含む4次元(4D)CSIに重点を置いている。 本研究では,4次元CSIデータ内の依存関係をキャプチャするコンテキスト条件付き時間予測学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-16T04:15:36Z)
• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [54.734201944510026]
  本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。 簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。 このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
  論文  参考訳（メタデータ） (2022-07-27T07:48:29Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• DASGIL: Domain Adaptation for Semantic and Geometric-aware Image-based Localization [27.294822556484345]
  環境変化下での視覚的長期化は、自律走行と移動ロボット工学において難しい問題である。 視覚的位置認識のための多スケール潜在埋め込み表現に幾何学的および意味的情報を融合する新しいマルチタスクアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-01T17:44:25Z)

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。