Bayesian-Boosted MetaLoc：面向室内定位的高效训练与泛化保证
信号处理
2023-09-06 v2
摘要
现有利用环境特定信道状态信息（CSI）的定位方法在特定环境下表现出色，但难以跨不同环境泛化。当面临有限训练数据时，这一挑战更加显著。为解决这些问题，我们提出了受 PAC-Optimal Hyper-Posterior（PACOH）算法启发的贝叶斯最优元学习定位（BOML-Loc）框架。在我们早期的 MetaLoc~\cite{MetaLoc} 基础上，BOML-Loc 采用贝叶斯方法，减少了对大量训练的需求，降低了过拟合风险，并提供逐测试点不确定性估计。即使在训练任务非常有限的情况下，BOML-Loc 也能保证鲁棒定位与出色的泛化能力。在具有现场测量数据的 LOS 与 NLOS 环境中，BOML-Loc 超越了现有模型，在新环境和先前未见过的环境中展现出更高的定位精度、更强的泛化能力以及更低的过拟合。
引用
@article{arxiv.2308.14824,
title = {Bayesian-Boosted MetaLoc: Efficient Training and Guaranteed Generalization for Indoor Localization},
author = {Dongze Wu and Jun Gao and Feng Yin},
journal= {arXiv preprint arXiv:2308.14824},
year = {2023}
}