論文の概要: Unified Class and Domain Incremental Learning with Mixture of Experts for Indoor Localization

• arxiv url: http://arxiv.org/abs/2511.17829v1
• Date: Fri, 21 Nov 2025 22:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.459016
• Title: Unified Class and Domain Incremental Learning with Mixture of Experts for Indoor Localization
• Title（参考訳）: 内地化の専門家の混在による一貫したクラスとドメインインクリメンタルラーニング
• Authors: Akhil Singampalli, Sudeep Pasricha,
• Abstract要約: そこで本研究では,MOELOと呼ばれる屋内局所化のための統合型連続学習フレームワークを提案する。 MOELOは、リソース制限されたモバイルデバイスにデプロイ可能な、軽量で堅牢で適応的なローカライゼーションソリューションを提供する。 その結果,MOELOは平均ローカライゼーション誤差が25.6倍,最悪のローカライゼーション誤差が44.5倍,最先端フレームワークよりも21.5倍少ないことが判明した。
• 参考スコア（独自算出の注目度）: 2.3633885460047765
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Indoor localization using machine learning has gained traction due to the growing demand for location-based services. However, its long-term reliability is hindered by hardware/software variations across mobile devices, which shift the model's input distribution to create domain shifts. Further, evolving indoor environments can introduce new locations over time, expanding the output space to create class shifts, making static machine learning models ineffective over time. To address these challenges, we propose a novel unified continual learning framework for indoor localization called MOELO that, for the first time, jointly addresses domain-incremental and class-incremental learning scenarios. MOELO enables a lightweight, robust, and adaptive localization solution that can be deployed on resource-limited mobile devices and is capable of continual learning in dynamic, heterogeneous real-world settings. This is made possible by a mixture-of-experts architecture, where experts are incrementally trained per region and selected through an equiangular tight frame based gating mechanism ensuring efficient routing, and low-latency inference, all within a compact model footprint. Experimental evaluations show that MOELO achieves improvements of up to 25.6x in mean localization error, 44.5x in worst-case localization error, and 21.5x lesser forgetting compared to state-of-the-art frameworks across diverse buildings, mobile devices, and learning scenarios.
• Abstract（参考訳）: 機械学習を用いた屋内のローカライゼーションは、ロケーションベースのサービスに対する需要の増加により、注目を集めている。 しかし、その長期的な信頼性は、モバイルデバイス間でハードウェア/ソフトウェアの違いによって妨げられ、それによってモデルの入力分布が変化してドメインシフトが発生する。 さらに、進化している屋内環境は、時間とともに新しい場所を導入し、出力スペースを拡張してクラスシフトを発生させ、静的機械学習モデルを時間とともに非効率にする。 これらの課題に対処するため,MOELO と呼ばれる屋内の局所化のための新しい統合型連続学習フレームワークを提案し,ドメイン増分学習シナリオとクラス増分学習シナリオを共同で扱う。 MOELOは軽量で堅牢で適応的なローカライゼーションソリューションを提供し、リソース制限されたモバイルデバイスにデプロイでき、動的で異質な現実世界設定での継続的な学習を可能にする。 これは、エキスパートが各領域ごとに漸進的に訓練され、効率的なルーティングと低遅延推論を保証する等角的なタイトなフレームベースのゲーティング機構によって選択される、エキスパートの混在アーキテクチャによって実現される。 実験的評価によると、MOELOは、平均ローカライゼーションエラーで25.6倍、最悪のローカライゼーションエラーで44.5倍、そして、様々な建物、モバイルデバイス、学習シナリオにおける最先端フレームワークと比較して21.5倍も忘れられていない。

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)
• CALLOC: Curriculum Adversarial Learning for Secure and Robust Indoor Localization [3.943289808718775]
  CALLOC(CALLOC)は,屋内環境やデバイスにまたがる敵の攻撃や変動に抵抗するように設計された,新しいフレームワークである。 CALLOCは、ドメイン固有の軽量なスケールドドット製品アテンションニューラルネットワークを備えた、適応的なカリキュラム学習アプローチを採用している。 CALLOCは、最先端の屋内ローカライゼーションフレームワークに対して、平均エラーが6.03倍、最悪のエラーが4.6倍まで改善可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-10T19:26:31Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices [4.226118870861363]
  緊急対応、倉庫管理、拡張現実体験などの応用において、屋内のローカライゼーションは重要な役割を担っている。 デバイス・ヘテロジニアス環境における屋内位置推定精度を向上させるために,FedHILと呼ばれる新しい組込み機械学習フレームワークを提案する。 本フレームワークは,屋内の局所化とフェデレート学習(FL)を組み合わせることで,デバイス・異種環境における屋内の局所化精度を向上させる。
  論文  参考訳（メタデータ） (2023-07-04T15:34:13Z)
• A Meta-learning based Generalizable Indoor Localization Model using Channel State Information [8.302375673936387]
  本稿では,データセットが制限された場合の一般化性の向上を目的としたメタ学習アルゴリズムTB-MAMLを提案する。 TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。
  論文  参考訳（メタデータ） (2023-05-22T19:54:59Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• 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)
• QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with Mobile Devices [4.286327408435937]
  本稿では,深層学習に基づく屋内定位フレームワークの計算要件を削減する手法を提案する。 提案手法は,複数のスマートフォンに展開し,検証する。
  論文  参考訳（メタデータ） (2021-04-15T15:19:21Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。