分布偏移下学习型无线电定位的基准测试
机器学习
2022-10-06 v1 网络与互联网体系结构
信号处理
摘要
部署射频(RF)定位系统不可避免地需要付出不小的努力，特别是对于最新基于学习的类型。此前很少有工作刻画和比较学习型定位器网络在真实世界 RF 分布偏移下如何部署于现场。在本文中，我们提出 RadioBench：一套来自最先进技术的 8 个学习型定位器网络，利用五个新颖的工业级数据集来研究和基准测试它们的真实世界可部署性。我们训练了 10k 个模型来分析这些学习型定位器网络的内部机制，并揭示它们在三个性能轴上的不同行为：(i) 学习，(ii) 对分布偏移的敏感性，以及 (iii) 定位。我们利用从该分析获得的见解，为在实际约束下基于学习的 RF 定位的可部署性推荐最佳实践。
引用
@article{arxiv.2210.01930,
title = {Benchmarking Learnt Radio Localisation under Distribution Shift},
author = {Maximilian Arnold and Mohammed Alloulah},
journal= {arXiv preprint arXiv:2210.01930},
year = {2022}
}