基于联邦学习的层次化三维室内定位
信号处理
2023-03-02 v1 机器学习
网络与互联网体系结构
摘要
室内环境中连接设备的激增为众多以定位服务为关键赋能者的室内应用开辟了空间。然而，随着隐私问题与资源约束的出现，设计大多数应用所需的精准定位系统变得更具挑战。为克服上述挑战，本文提出一种基于联邦学习（FL）并使用深度神经网络的层次化三维室内定位框架。具体而言，我们首先阐明了在多建筑多楼层室内环境中利用楼层与建筑之间层次关系的重要性。随后，我们提出一种 FL 框架来训练所设计的层次化模型。性能评估表明，采用层次化学习方案后，相较于非层次化方法，定位精度可提升至多 24.06%。我们还分别获得了 99.90% 的建筑预测准确率与 94.87% 的楼层预测准确率。借助所提 FL 框架，我们可实现接近集中式训练的性能特征，定位误差仅增加 7.69%。此外，可扩展性研究显示，随着更多设备加入训练，FL 系统精度得以提升。
引用
@article{arxiv.2303.00450,
title = {Federated Learning based Hierarchical 3D Indoor Localization},
author = {Yaya Etiabi and Wafa Njima and El Mehdi Amhoud},
journal= {arXiv preprint arXiv:2303.00450},
year = {2023}
}