論文の概要: FedWiLoc: Federated Learning for Privacy-Preserving WiFi Indoor Localization

• arxiv url: http://arxiv.org/abs/2512.18207v1
• Date: Sat, 20 Dec 2025 04:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.233523
• Title: FedWiLoc: Federated Learning for Privacy-Preserving WiFi Indoor Localization
• Title（参考訳）: FedWiLoc: プライバシー保護のWiFi屋内ローカライゼーションのためのフェデレーションラーニング
• Authors: Kanishka Roy, Tahsin Fuad Hasan, Chenfeng Wu, Eshwar Vangala, Roshan Ayyalasomayajula,
• Abstract要約: Wi-Fiベースの屋内ローカライゼーションシステムは,ユーザのプライバシ保護,動的マルチパス環境における正確な予測の実現,デプロイメントの一般化という,3つの重要な課題に直面している。 プライバシー保護のための屋内ローカライゼーションシステムであるFedWiLocを紹介する。 FedWiLocは、トレーニングと推論の両方を通じて強力なプライバシー保証を維持しながら、中央値のローカライゼーションエラーを61.9%向上させる。
• 参考スコア（独自算出の注目度）: 0.05941919160409143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current data-driven Wi-Fi-based indoor localization systems face three critical challenges: protecting user privacy, achieving accurate predictions in dynamic multipath environments, and generalizing across different deployments. Traditional Wi-Fi localization systems often compromise user privacy, particularly when facing compromised access points (APs) or man-in-the-middle attacks. As IoT devices proliferate in indoor environments, developing solutions that deliver accurate localization while robustly protecting privacy has become imperative. We introduce FedWiLoc, a privacy-preserving indoor localization system that addresses these challenges through three key innovations. First, FedWiLoc employs a split architecture where APs process Channel State Information (CSI) locally and transmit only privacy-preserving embedding vectors to user devices, preventing raw CSI exposure. Second, during training, FedWiLoc uses federated learning to collaboratively train the model across APs without centralizing sensitive user data. Third, we introduce a geometric loss function that jointly optimizes angle-of-arrival predictions and location estimates, enforcing geometric consistency to improve accuracy in challenging multipath conditions. Extensive evaluation across six diverse indoor environments spanning over 2,000 sq. ft. demonstrates that FedWiLoc outperforms state-of-the-art methods by up to 61.9% in median localization error while maintaining strong privacy guarantees throughout both training and inference.
• Abstract（参考訳）: 現在のデータ駆動Wi-Fiベースの屋内ローカライゼーションシステムは,ユーザのプライバシ保護,動的マルチパス環境における正確な予測達成,デプロイメントの一般化という,3つの重要な課題に直面している。 従来のWi-Fiローカライゼーションシステムはユーザーのプライバシーを侵害することが多い。 IoTデバイスが屋内環境に普及するにつれて、プライバシを堅牢に保護しながら正確なローカライゼーションを提供するソリューションの開発が不可欠になっている。 プライバシー保護のための屋内ローカライゼーションシステムであるFedWiLocを紹介する。 第一にFedWiLocは、APがローカルにチャネル状態情報(CSI)を処理し、プライバシ保護の埋め込みベクタのみをユーザデバイスに送信し、生のCSI露出を防ぐ分割アーキテクチャを採用している。 第2に、FedWiLocはトレーニング中にフェデレーション学習を使用して、センシティブなユーザデータを集中することなく、AP間でモデルを協調的にトレーニングする。 第3に、幾何損失関数を導入し、位置推定と角度予測を協調的に最適化し、幾何整合を強制し、挑戦するマルチパス条件における精度を向上させる。 2,000 sqを超える6つの屋内環境における広範囲な評価を行った。 ft.は、FedWiLocが、トレーニングと推論の両方を通して強力なプライバシー保証を維持しながら、中央値のローカライゼーションエラーで61.9%まで最先端の手法を上回っていることを実証している。

関連論文リスト

• A Privacy-Preserving Indoor Localization System based on Hierarchical Federated Learning [1.0783171053797578]
  伝統的な屋内ローカライゼーション技術は重大なエラーを発生させ、プライバシーの懸念を提起する。 DNNモデルを用いた動的屋内局所化のためのフェデレートラーニング(FL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-02T10:53:31Z)
• PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
  クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。 小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。 帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:27:07Z)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
  フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。 送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。 我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-07-12T03:18:08Z)
• A Trustworthy AIoT-enabled Localization System via Federated Learning and Blockchain [29.968086297894626]
  そこで我々はDFLocというフレームワークを提案し,正確な3Dローカライゼーションを実現する。 具体的には、信頼性が高く正確な屋内位置決めシステムにおける単一点故障の問題に対処する。 悪意のあるノード攻撃の懸念を軽減するため、ブロックチェーン内にモデル検証機構を更新する。
  論文  参考訳（メタデータ） (2024-07-08T04:14:19Z)
• Differentially Private GANs for Generating Synthetic Indoor Location Data [0.09831489366502298]
  プライバシー保護のための屋内位置データを生成するために, DPGANを用いた屋内位置推定フレームワークを提案する。 実世界の屋内ローカライゼーションデータセットを用いて,本フレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2024-04-10T21:43:27Z)
• Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
  フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。 以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-03-26T15:07:58Z)
• Privacy-Preserving by Design: Indoor Positioning System Using Wi-Fi Passive TDOA [2.728025635959799]
  PassiFiは、新しいパッシブWi-Fiタイムベースの屋内ローカライゼーションシステムで、正確性とプライバシーのバランスをとる。 PassiFiは、ユーザのプライバシを保証し、測定データの完全性を保護するために、パッシブWiFi Time difference of Arrival(TDoA)アプローチを使用している。 実世界のテストベッドでの評価は、PassiFiの例外的な性能を示し、従来のマルチレイタレーションを128%上回っている。
  論文  参考訳（メタデータ） (2023-06-03T23:27:38Z)
• Concentrated Differentially Private and Utility Preserving Federated Learning [24.239992194656164]
  フェデレーション・ラーニング(Federated Learning)とは、エッジデバイスのセットが、中央サーバのオーケストレーションの下でモデルを協調的にトレーニングする、機械学習環境である。 本稿では,モデルユーティリティの劣化を伴わずに,プライバシ問題に対処するフェデレーション学習手法を開発する。 このアプローチのエンドツーエンドのプライバシ保証を厳格に提供し、理論的収束率を分析します。
  論文  参考訳（メタデータ） (2020-03-30T19:20:42Z)

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。