基于联邦学习的异构指纹数据库定位
信号处理
2022-03-30 v1
摘要
基于指纹的定位在室内基于位置的服务中起着重要作用，其中位置信息通常在分布式客户端中收集并汇聚至中心服务器。然而，过载传输以及泄露隐私信息的潜在风险制约了其应用。联邦学习（FL）-based指纹定位因具备应对这些挑战的能力而进入人们视野，其旨在保持原始数据本地化的同时训练全局模型。然而，在分布式机器学习（ML）场景中，不可避免的数据库异构性通常会降低现有基于FL的定位算法（FedLoc）的性能。本文中，我们首先以可计算度量即凸包面积刻画数据库异构性，并通过实验结果验证。随后，提出了一种基于凸包面积聚合的新型异构FL定位算法（FedLoc-AC）。我们进行了包括真实案例在内的广泛实验。可得出结论：所提FedLoc-AC在异构场景下相较FedLoc可获得明显预测增益，且在同构场景下与其预测误差几乎相同。此外，提出了FedLoc-AC在多楼层情形下的扩展并进行了验证。
引用
@article{arxiv.2203.15388,
title = {Federated Learning-Based Localization with Heterogeneous Fingerprint Database},
author = {Xin Cheng and Chuan Ma and Jun Li and Haiwei Song and Feng Shu and Jiangzhou Wang},
journal= {arXiv preprint arXiv:2203.15388},
year = {2022}
}