ConvXformer：面向惯性导航的差分隐私混合 ConvNeXt-Transformer

数据驱动的惯性序列学习已彻底变革了 GPS 被剥夺环境中的导航技术，相较于传统贝叶斯方法具有更优秀的里程计精度。然而，基于深度学习的惯性跟踪系统仍面临隐私泄露风险，可能暴露敏感训练数据。现有差分隐私解决方案常因引入过多噪声尤其在高频惯性测量数据上而牺牲模型性能。本文提出 ConvXformer，一种融合 ConvNeXt 块与 Transformer 编码器的层次化混合架构，用于稳健惯性导航。我们提出一种高效差分隐私机制，集成自适应梯度裁剪和梯度对齐噪声注入（GANI），在保护敏感信息的同时确保模型性能。该框架利用截断奇异值分解进行梯度处理，实现对隐私-效用权衡的精确控制。在基准数据集（OxIOD、RIDI、RoNIN）上的全面性能评估表明，ConvXformer 超越了当前最先进的方法，在定位精度上实现了超过 40% 的提升，同时确保 $(\epsilon,\delta)$-差分隐私保证。为验证实际应用性能，我们引入 Mech-IO 数据集，来自 KAIST 机械工程楼，此处工业设备产生强烈磁场引发显著传感器扰动。该框架在严重环境扰动下的鲁棒性使其适用于网络-物理系统中的安全智能导航。