CALLOC：面向安全鲁棒室内定位的课程对抗学习
机器学习
2023-11-14 v1 计算机与社会
摘要
从资产追踪到个性化服务，室内定位对诸多应用日益关键。然而，由于室内环境及用于辅助定位的设备存在差异，实现精准定位仍具挑战。另一新兴挑战是针对室内定位系统的对抗攻击，其不仅威胁服务完整性，还降低定位精度。为应对这些挑战，我们提出 CALLOC，一种新颖框架，旨在抵御对抗攻击以及跨室内环境与设备、会降低系统精度与可靠性的差异。CALLOC 采用新颖的自适应课程学习方法，结合领域特定的轻量级缩放点积注意力神经网络，针对资源受限移动设备在实际用例中的对抗与差异鲁棒性而定制。实验评估表明，在多样建筑平面图、移动设备与对抗攻击场景下，相较最先进室内定位框架，CALLOC 的平均误差最高改善 6.03 倍，最坏情况误差改善 4.6 倍。
引用
@article{arxiv.2311.06361,
title = {CALLOC: Curriculum Adversarial Learning for Secure and Robust Indoor Localization},
author = {Danish Gufran and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2311.06361},
year = {2023}
}