論文の概要: A Transfer Learning-Driven Methodology for Efficient and Sustainable Indoor Localization Using VLC

• arxiv url: http://arxiv.org/abs/2610.29594v1
• Date: Wed, 21 Oct 2026 11:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.348111
• Title: A Transfer Learning-Driven Methodology for Efficient and Sustainable Indoor Localization Using VLC
• Title（参考訳）: VLCを用いた効率・持続的屋内位置推定のための移動学習駆動手法
• Abstract要約: 可視光通信を用いた屋内位置推定のためのエネルギー効率変換学習(TL)手法を提案する。 本手法はTLを利用して,照明変動や局所化性能を低下させる物理的障害など,環境変動に対処する。 また、局所化精度、エネルギー効率、データ効率、転送ゲインを総合最適化のための単一の評価尺度に統合するために設計された新しいモデル効率(ME)指標も導入する。
• 参考スコア（独自算出の注目度）: 40.45692000230286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid expansion of the Internet of Things enables seamless collaboration among connected devices, making indoor localization a critical component of industrial automation. However, conventional localization techniques struggle in dynamic environments. These methods depend on extensive, frequent data collection and environment-specific calibration, limiting scalability, interoperability, and effective use of prior research while imposing significant energy penalties that hinder practical deployment. To address these challenges, we propose an energy-efficient transfer learning (TL) based approach for visible light communication based indoor localization. Our method leverages TL to tackle environmental variability, including lighting fluctuations and physical obstacles that typically degrade localization performance, while simultaneously reducing computational overhead and energy consumption compared to conventional approaches. We also introduce a novel model efficiency (ME) metric, designed to integrate localization accuracy, energy efficiency, data efficiency, and transfer gain into a single evaluative measure for comprehensive optimization. Evaluations on a real-world dataset collected from a BOSCH factory demonstrate that our model achieves a 47% improvement in localization accuracy compared to a conventional model that does not utilize TL, and achieves up to 67.5% ME with TL models, compared to only 10.4% in conventional models under high-noise conditions. These results underscore the potential of our approach to deliver a highly efficient and scalable indoor localization system suitable for energy-constrained industrial applications.
• Abstract（参考訳）: モノのインターネット(Internet of Things)の急速な拡張により、コネクテッドデバイス間のシームレスなコラボレーションが可能になる。 しかし、従来のローカライゼーション技術は動的環境において困難である。 これらの手法は、広範囲で頻繁なデータ収集と環境固有のキャリブレーション、スケーラビリティの制限、相互運用性、先行研究の効果的な利用に依存し、実践的な展開を妨げる重要なエネルギー刑罰を課す。 これらの課題に対処するため、我々は、可視光通信に基づく屋内局所化のためのエネルギー効率変換学習(TL)に基づくアプローチを提案する。 本手法は,従来の手法に比べて計算オーバーヘッドとエネルギー消費を同時に低減しつつ,照明変動や局所化性能を低下させる物理的障害など,環境変動に対処するためにTLを利用する。 また、局所化精度、エネルギー効率、データ効率、転送ゲインを総合最適化のための単一の評価尺度に統合するために設計された新しいモデル効率(ME)指標も導入する。 BOSCH 工場から収集した実世界のデータセットから,我々のモデルは TL を使わない従来のモデルに比べて 47% の局所化精度向上を実現し, TL モデルでは 67.5% ME に達することを示した。 これらの結果は,エネルギー制約のある産業用途に適した,高効率でスケーラブルな屋内ローカライゼーションシステムを実現するためのアプローチの可能性を明らかにするものである。

関連論文リスト

• Cross-Area Transfer Learning for VLC-based Indoor Localization with a Transfer Efficiency Score [40.45692000230286]
  本稿では,室内光通信(VLC)を用いた屋内ローカライゼーションのためのトランスファーラーニングフレームワークを提案する。 ソース領域データに事前トレーニングされたディープニューラルネットワーク(DNN)の微調整を行い,目標領域測定のわずか40%で全データ性能の97%を回復することを示した。
  論文  参考訳（メタデータ） (2026-10-21T12:18:14Z)
• Direct Advantage Estimation for Scalable and Sample-efficient Deep Reinforcement Learning [54.916555668983726]
  遷移確率を効率的に近似する離散潜在力学モデルを導入する。 DAEは高い試料効率を維持しつつ,関数近似器の容量で効果的にスケールすることがわかった。
  論文  参考訳（メタデータ） (2026-06-18T15:58:48Z)
• Efficient Federated Learning with Timely Update Dissemination [54.668309196009204]
  分散データ管理のための魅力的な方法論として、フェデレートラーニング(FL)が登場した。 そこで本稿では,ダウンリンクの帯域幅を削減し,タイムリーな更新を確実にするための効率的なFL手法を提案する。
  論文  参考訳（メタデータ） (2025-07-08T14:34:32Z)
• Transfer Learning for VLC-based indoor Localization: Addressing Environmental Variability [42.86301896995645]
  本稿では,VLCを用いた屋内ローカライゼーションのためのトランスファーラーニング(TL)に基づくアプローチを提案する。 BOSCHファクトリで収集された実世界のデータを使用して、TLフレームワークはディープニューラルネットワーク(DNN)を統合して、ローカライゼーションの精度を47%向上する。 提案手法は環境条件の異なる条件下で高度に適応可能であり、データセットの30%で同様の精度を達成できる。
  論文  参考訳（メタデータ） (2025-07-02T10:51:38Z)
• AFLoRA: Adaptive Federated Fine-Tuning of Large Language Models with Resource-Aware Low-Rank Adaption [3.805501490912696]
  フェデレートされた微調整は、分散データを使用して下流タスクにファンデーションモデルを適用するための有望なアプローチとして現れている。 大規模言語モデルのための適応的で軽量なファインチューニングフレームワークであるAFLoRAを提案する。
  論文  参考訳（メタデータ） (2025-05-30T16:35:32Z)
• Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort? [0.0]
  エネルギーコミュニティ(EC)は、地域需要のシフトと自己充足力の向上に重要な役割を果たしている。 データ駆動予測は注目されているが、多くの実践的な文脈ではまだ十分に調査されていない。 本研究は, 地域規模, 歴史的データ可用性, モデルの複雑さなど, 最先端のディープラーニングモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2025-01-09T06:29:50Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)

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。