FedHIL：面向移动设备鲁棒室内定位的异质性弹性联邦学习
机器学习
2023-07-06 v1 多智能体系统
信号处理
摘要
室内定位在应急响应、仓库管理和增强现实体验等应用中发挥着至关重要的作用。通过在移动设备上部署基于机器学习 (ML) 的室内定位框架，用户可在多种室内及地下环境中实现自身定位。然而，由于移动设备软硬件栈的异质性，准确的室内定位颇具挑战，这可能导致不一致且不精确的位置估计。传统 ML 模型还严重依赖初始训练数据，使其在面对室内环境动态变化时性能易退化。为应对设备异质性与缺乏自适应性的挑战，我们提出了一种名为 FedHIL 的新型嵌入式 ML 框架。该框架结合室内定位与联邦学习 (FL)，在设备异构环境中提升室内定位精度，同时保护用户数据隐私。FedHIL 集成了一种特定领域的选择性权重调整方法，以在 FL 过程中即便存在极度噪声数据时也能保持 ML 模型在室内定位上的性能。在多样真实室内环境与异构移动设备上的实验评估表明，FedHIL 优于最先进的 FL 与非 FL 室内定位框架。FedHIL 相较已有工作中性能最佳的基于 FL 的室内定位框架，平均可实现 1.62 倍的更高定位精度。
引用
@article{arxiv.2307.01780,
title = {FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices},
author = {Danish Gufran and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2307.01780},
year = {2023}
}