FeMLoc：面向物联网网络中自适应无线室内定位任务的联邦元学习

物联网的快速发展促进了连接设备之间协作，以完成诸如室内定位等任务。然而，现有的室内定位解决方案在动态和恶劣条件下难以胜任，需大量数据收集和环境特定校准。这些因素阻碍了合作、可扩展性以及先前研究工作的利用。为此，我们提出了 FeMLoc，一种用于定位的联邦元学习框架。FeMLoc 在两个阶段运行：(i) 协作式元训练，通过在边缘设备上来自多样化定位数据集的训练创建全局元模型。(ii) 针对新环境的快速适应，其中预训练的全局元模型初始化定位模型，只需少量新数据进行微调。在本文中，我们提供了 FeMLoc 的详细技术概述，突出其在室内定位语境下进行隐私保护元学习的独特方法。我们的性能评估表明，FeMLoc 在室内定位精度上优于最先进的方法，能够仅通过 100 次梯度步骤即可快速适应新的室内环境。具体而言，FeMLoc 在仅用 100 次梯度步骤时，即可实现比传统基线神经网络方法提高最高 80.95% 的定位精度。或者，对于目标精度约为 5m，FeMLoc 比基线神经网络方法快高达 82.21% 即可达到相同的精度。这意味着 FeMLoc 需要更少的训练迭代，从而显著减少指纹数据收集和校准工作。此外，FeMLoc 显示出增强的可扩展性，使其适用于由新兴无线通信技术驱动的面向位置的大规模连接。