基于层次化联邦学习的隐私保护室内定位系统
机器学习
2025-07-03 v1 密码学与安全
信号处理
摘要
位置信息是众多物联网（Internet of Things，IoT）应用的基本要素。传统的室内定位技术常产生显著误差并引发隐私问题 due to 中央数据收集。作为替代，机器学习（Machine Learning，ML）技术提供了有前景的解决方案，通过捕捉室内环境变化。然而，这些方法通常需要中央数据聚合，导致隐私、带宽和服务器可靠性问题。为此，本文提出一种基于联邦学习（Federated Learning，FL）的用于动态室内定位的方法，采用深度神经网络（DNN）模型。实验结果表明，联邦学习在保持数据隐私、带宽效率和服务器可靠性的同时，接近中心化模型（Centralized Model，CL）的性能。该研究表明，我们提出的联邦学习方法为隐私增强的室内定位提供了可行的解决方案，为发展安全高效的室内定位系统指明了方向。
引用
@article{arxiv.2507.01581,
title = {A Privacy-Preserving Indoor Localization System based on Hierarchical Federated Learning},
author = {Masood Jan and Wafa Njima and Xun Zhang},
journal= {arXiv preprint arXiv:2507.01581},
year = {2025}
}