SimDeep：基于相似性聚合的联邦 3D 室内定位
机器学习
2025-08-05 v1
摘要
室内定位在支持包括导航、安防和情境感知计算于内的广泛位置服务方面发挥着关键作用。尽管取得了显著进展，但在实际场景中部署室内定位系统仍具有挑战，主要源于非独立同分布 (non-IID) 数据和设备异构性。为此，我们提出了 SimDeep，一种新型联邦学习 (FL) 框架，旨在克服这些障碍并有效管理设备异构性。SimDeep 包含相似性聚合策略，通过数据相似性对客户模型更新进行聚合，显著缓解非 IID 数据所致的问题。我们的实验评估表明，SimDeep 实现了惊人的 92.89% 准确率，超越传统联邦和集中式技术，从而凸显其在实际部署中的可行性。
引用
@article{arxiv.2508.01515,
title = {SimDeep: Federated 3D Indoor Localization via Similarity-Aware Aggregation},
author = {Ahmed Jaheen and Sarah Elsamanody and Hamada Rizk and Moustafa Youssef},
journal= {arXiv preprint arXiv:2508.01515},
year = {2025}
}
备注
Accepted for ICMU 2025 -- The 15th International Conference on Mobile Computing and Ubiquitous Networking, Busan, Korea, September 10--12, 2025. Nominated for Best Paper Award