用于用户定位的自监督学习
信号处理
2024-04-25 v1 人工智能
机器学习
网络与互联网体系结构
摘要
机器学习技术在定位任务中展现出卓越的准确率，但其对大量带标签数据的依赖，特别是信道状态信息(CSI)及对应坐标，仍是一个瓶颈。自监督学习技术减轻了对带标签数据的需求，这一潜力在现有研究中很大程度上尚未被开发和探索。针对这一空白，我们提出了一种开创性的方法，利用在无标签数据上的自监督预训练来提升基于CSI的用户定位监督学习性能。我们引入了两种预训练自编码器模型，采用多层感知机(MLPs)和卷积神经网络通过自监督学习从无标签数据中提取表示。随后，我们利用AE模型的编码器部分从带标签数据中提取相关特征，并微调基于MLP的位置估计模型以准确推断用户位置。我们在CTW-2020数据集上进行了实验，该数据集包含大量无标签数据但带标签样本有限，证明了我们方法的可行性。值得注意的是，该数据集覆盖了超过646x943x41米的广阔区域，且我们的方法即使对于如此广阔的定位任务也展现出了可喜的结果。
引用
@article{arxiv.2404.15370,
title = {Self-Supervised Learning for User Localization},
author = {Ankan Dash and Jingyi Gu and Guiling Wang and Nirwan Ansari},
journal= {arXiv preprint arXiv:2404.15370},
year = {2024}
}