使用深度生成模型对高度不平衡的室内定位数据过采样
信号处理
2021-09-01 v1
摘要
位置指纹方法通常利用监督学习，已被广泛采用为室内定位问题的可行方案。许多室内定位数据集是不平衡的。在不平衡数据集上训练的模型在少数类上可能表现不佳。这一问题亦称“不平衡数据之咒”，在类分布高度不平衡时更为明显。受深度生成建模近期进展的启发，本文提出使用变分自编码器与条件变分自编码器作为过采样工具以生成类平衡指纹。基于蓝牙低能耗(Bluetooth Low Energy)指纹的实验结果表明，所提方法在少数类精度与整体精度上均优于 SMOTE 与 ADASYN。为促进可复现性并推动新的研究努力，我们将本工作相关的所有代码公开可用。
引用
@article{arxiv.2108.13503,
title = {Oversampling Highly Imbalanced Indoor Positioning Data using Deep Generative Models},
author = {Fahad Alhomayani and Mohammad H. Mahoor},
journal= {arXiv preprint arXiv:2108.13503},
year = {2021}
}
备注
to appear in IEEE SENSORS 2021