面向可解释室内定位：基于逻辑门解释Wi-Fi指纹神经网络学习
机器学习
2025-06-19 v1 人工智能
摘要
基于深度学习（DL）的室内定位在将 Wi-Fi RSS 指纹映射到物理位置方面展现出强大的精度；然而，大多数现有DL框架作为黑箱模型，无法提供关于预测如何生成或模型如何对真实世界噪声作出响应的深入见解。这种缺乏可解释性阻碍了我们理解环境动态导致的时间性变化对模型的影响，并限制了针对长期可靠性的模型适应性。为此，我们引入LogNet，一种新颖的基于逻辑门的框架，用于解释和增强DL-based室内定位。LogNet通过识别每个参考点（RP）最具影响力的接入点（AP），并揭示环境噪声如何干扰DL驱动的定位决策，实现透明的推理。这种可解释性使我们能够追踪和诊断模型故障，并为更稳健的长期部署调整DL系统。跨多个真实建筑平面图和两年时间变化的评估表明，LogNet不仅解释DL模型的内部行为，还提升了性能——在先前DL-based模型中实现了最高可达1.1倍的定位误差降低、3.4倍的模型规模降低、以及1.5倍到3.6倍的延迟降低。
引用
@article{arxiv.2506.15559,
title = {Towards Explainable Indoor Localization: Interpreting Neural Network Learning on Wi-Fi Fingerprints Using Logic Gates},
author = {Danish Gufran and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2506.15559},
year = {2025}
}