論文の概要: Spatially-Adaptive Conformal Graph Transformer for Indoor Localization in Wi-Fi Driven Networks
- arxiv url: http://arxiv.org/abs/2601.22322v1
- Date: Thu, 29 Jan 2026 21:06:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-02 18:28:15.066122
- Title: Spatially-Adaptive Conformal Graph Transformer for Indoor Localization in Wi-Fi Driven Networks
- Title（参考訳）: Wi-Fi駆動ネットワークにおける屋内局部化のための空間適応型コンフォーマルグラフ変換器
- Authors: Ayesh Abu Lehyeh, Anastassia Gharib, Safwan Wshah,
- Abstract要約: 空間適応型コンフォーマルグラフ変換器 (SAC-GT) は, 高精度で信頼性の高い屋内ローカライゼーションのためのフレームワークである。
SAC-GTは、ネットワークの空間トポロジと信号強度のダイナミクスを捉えるグラフトランスフォーマー(GT)モデルと、新しい空間適応型コンフォーマル予測(SACP)手法を統合する。
これにより、SAC-GTは正確な2次元位置予測だけでなく、様々な環境条件に合わせて統計的に有効な信頼領域を生成することができる。
- 参考スコア（独自算出の注目度）: 2.3284243982999615
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor localization is a critical enabler for a wide range of location-based services in smart environments, including navigation, asset tracking, and safety-critical applications. Recent graph-based models leverage spatial relationships between Wire-less Fidelity (Wi-Fi) Access Points (APs) and devices, offering finer localization granularity, but fall short in quantifying prediction uncertainty, a key requirement for real-world deployment. In this paper, we propose Spatially-Adaptive Conformal Graph Transformer (SAC-GT), a framework for accurate and reliable indoor localization. SAC-GT integrates a Graph Transformer (GT) model that captures network's spatial topology and signal strength dynamics, with a novel Spatially-Adaptive Conformal Prediction (SACP) method that provides region-specific uncertainty estimates. This allows SAC-GT to produce not only precise two-dimensional (2D) location predictions but also statistically valid confidence regions tailored to varying environmental conditions. Extensive evaluations on a large-scale real-world dataset demonstrate that the proposed SAC-GT solution achieves state-of-the-art localization accuracy while delivering robust and spatially adaptive reliability guarantees.
- Abstract（参考訳）: 屋内のローカライゼーションは、ナビゲーション、アセットトラッキング、安全クリティカルなアプリケーションを含む、スマート環境における幅広いロケーションベースのサービスにとって重要な実現方法である。
最近のグラフベースモデルでは、Wire-less Fidelity (Wi-Fi) Access Points (AP) とデバイス間の空間的関係を利用して、より微細なローカライゼーションの粒度を提供するが、現実のデプロイメントにおいて重要な要件である予測の不確実性を定量化するには不十分である。
本稿では,空間適応型コンフォーマルグラフ変換器(SAC-GT)を提案する。
SAC-GTは、ネットワークの空間トポロジと信号強度のダイナミクスをキャプチャするグラフトランスフォーマー(GT)モデルと、領域固有の不確実性推定を提供する新しい空間適応型コンフォーマル予測(SACP)手法を統合する。
これにより、SAC-GTは正確な2次元位置予測だけでなく、様々な環境条件に合わせて統計的に有効な信頼領域を生成することができる。
大規模実世界のデータセットに対する大規模な評価は、提案したSAC-GTソリューションが、堅牢で空間適応的な信頼性保証を提供しながら、最先端のローカライゼーション精度を達成することを示した。
関連論文リスト
- RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。
これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。
空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T12:35:57Z) - Wireless Traffic Prediction with Large Language Model [54.07581399989292]
TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。
TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。
この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
論文 参考訳（メタデータ） (2025-12-19T04:47:40Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Meta-SimGNN: Adaptive and Robust WiFi Localization Across Dynamic Configurations and Diverse Scenarios [19.53646761400287]
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。
論文 参考訳（メタデータ） (2025-11-18T03:08:57Z) - RAPNet: A Receptive-Field Adaptive Convolutional Neural Network for Pansharpening [2.746409982853943]
本稿では,コンテンツ適応型畳み込みを利用した新しいアーキテクチャであるRAPNetを紹介する。
RAPNetはReceptive-field Adaptive Pansharpening Convolution (RAPConv)を採用している。
ネットワークには Pansharpening Dynamic Feature Fusion (PAN-DFF) モジュールが組み込まれており、空間的詳細化とスペクトルの忠実度を最適にバランスさせるためのアテンション機構が組み込まれている。
論文 参考訳（メタデータ） (2025-07-14T16:39:14Z) - Conformal Prediction for Indoor Positioning with Correctness Coverage Guarantees [0.4779196219827508]
本稿では,深層学習に基づく屋内位置推定に共形予測(CP)を適用した。
CPはモデルの不確実性を非整合スコアに変換し、正確性を保証するために予測セットを構築し、統計的保証を提供する。
このモデルは、トレーニングデータセットで約100%、テストデータセットで85%の精度を達成し、そのパフォーマンスと一般化能力を効果的に実証した。
論文 参考訳（メタデータ） (2025-05-03T12:45:08Z) - Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。
ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
論文 参考訳（メタデータ） (2023-03-29T12:28:01Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z)
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。