論文の概要: From Global to Local: Cluster-Aware Learning for Wi-Fi Fingerprinting Indoor Localisation
- arxiv url: http://arxiv.org/abs/2601.05650v1
- Date: Fri, 09 Jan 2026 09:12:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-12 17:41:49.926832
- Title: From Global to Local: Cluster-Aware Learning for Wi-Fi Fingerprinting Indoor Localisation
- Title（参考訳）: グローバルからローカルへ:Wi-Fiフィンガープリントのためのクラスタアウェアラーニング
- Authors: Miguel Matey-Sanz, Joaquín Torres-Sospedra, Joaquín Huerta, Sergio Trilles,
- Abstract要約: 本稿では,局所化に先立って指紋データセットを構成するクラスタリング手法を提案する。
指紋は、空間的特徴または無線的特徴を用いてグループ化され、建物やフロアレベルでクラスタリングが適用できる。
本手法の有効性を3つの公開データセットと複数の機械学習モデルを用いて評価する。
- 参考スコア（独自算出の注目度）: 1.3124513975412255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wi-Fi fingerprinting remains one of the most practical solutions for indoor positioning, however, its performance is often limited by the size and heterogeneity of fingerprint datasets, strong Received Signal Strength Indicator variability, and the ambiguity introduced in large and multi-floor environments. These factors significantly degrade localisation accuracy, particularly when global models are applied without considering structural constraints. This paper introduces a clustering-based method that structures the fingerprint dataset prior to localisation. Fingerprints are grouped using either spatial or radio features, and clustering can be applied at the building or floor level. In the localisation phase, a clustering estimation procedure based on the strongest access points assigns unseen fingerprints to the most relevant cluster. Localisation is then performed only within the selected clusters, allowing learning models to operate on reduced and more coherent subsets of data. The effectiveness of the method is evaluated on three public datasets and several machine learning models. Results show a consistent reduction in localisation errors, particularly under building-level strategies, but at the cost of reducing the floor detection accuracy. These results demonstrate that explicitly structuring datasets through clustering is an effective and flexible approach for scalable indoor positioning.
- Abstract（参考訳）: Wi-Fiフィンガープリンティングは、屋内位置決めの最も実用的なソリューションの1つだが、指紋データセットのサイズと不均一性、強い受信信号強度指標の変動、大規模・多層環境において導入されたあいまいさによって、その性能は制限されることが多い。
これらの要因は、特に構造的制約を考慮せずにグローバルモデルを適用する場合、局所化の精度を著しく低下させる。
本稿では,局所化に先立って指紋データセットを構成するクラスタリング手法を提案する。
指紋は、空間的特徴または無線的特徴を用いてグループ化され、建物やフロアレベルでクラスタリングが適用できる。
ローカライゼーションフェーズでは、最強アクセスポイントに基づくクラスタリング推定手順が、最も関連性の高いクラスタに未確認の指紋を割り当てる。
次に、ローカライゼーションは選択されたクラスタ内でのみ実行されるので、学習モデルはデータの縮小されたより一貫性のあるサブセットで操作できる。
本手法の有効性を3つの公開データセットと複数の機械学習モデルを用いて評価する。
その結果、特にビルレベルの戦略の下では、一貫した局所化誤差を減少させるが、フロア検出精度を低下させるコストがかかることがわかった。
これらの結果は、クラスタリングによってデータセットを明示的に構造化することは、スケーラブルな屋内位置決めに効果的で柔軟なアプローチであることを示している。
関連論文リスト
- You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。
本手法は, クラスタリング性能を効果的に向上することを目的としている。
論文 参考訳（メタデータ） (2025-11-26T09:16:36Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework [0.4683612295430956]
DF-Locはマルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋位置決めシステムである
このシステムは、CSIデータ前処理のための品質制御(QC)モジュールを搭載し、CSI指紋特徴再構成のための画像処理技術を採用している。
オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
論文 参考訳（メタデータ） (2025-02-11T04:29:22Z) - TANGO: Clustering with Typicality-Aware Nonlocal Mode-Seeking and Graph-Cut Optimization [2.4783546111391215]
密度に基づくモード探索法は,低密度点から高密度近傍への遠心依存性を生成する。
両言語の観点から, 局所的に定義された依存関係を探索することにより, 固有性という新しい概念を導入する。
我々は,グローバルビューの典型性を利用して,モードを効果的かつ効率的に識別するアルゴリズムを考案する。
論文 参考訳（メタデータ） (2024-08-19T15:26:25Z) - Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。
合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
論文 参考訳（メタデータ） (2024-01-02T08:43:06Z) - SALC: Skeleton-Assisted Learning-Based Clustering for Time-Varying
Indoor Localization [3.9373541926236757]
RSS指向の地図支援クラスタリング(ROMAC)とクラスタスケール位置推定(CsLE)を含むスケルトン支援学習型クラスタリングシステムを提案する。
シミュレーションおよび実験結果から,提案したSALCシステムは,位置推定精度を向上して,指紋データベースを効率的に再構築できることが示されている。
論文 参考訳（メタデータ） (2023-07-14T22:55:52Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Clustered Federated Learning via Generalized Total Variation
Minimization [83.26141667853057]
本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。
我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。
私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
論文 参考訳（メタデータ） (2021-05-26T18:07:19Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z) - CycleCluster: Modernising Clustering Regularisation for Deep
Semi-Supervised Classification [0.0]
深層半教師付き分類のための新しいフレームワークであるCycleClusterを提案する。
我々のコア最適化は、グラフベースの擬似ラベルと共有深層ネットワークとともに、新たなクラスタリングベースの正規化によって推進されます。
論文 参考訳（メタデータ） (2020-01-15T13:34:02Z)
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。