（加权）自适应半径近邻搜索：用于WiFi指纹定位的评估
机器学习
2026-04-20 v1 应用统计
摘要
固定半径近邻(FRNN)搜索是广泛使用的k近邻(kNN)搜索的一种替代方案。与kNN不同，FRNN基于预定义距离内的所有训练样本来确定测试样本的标签或估计值。虽然这种方法在某些场景下是有益的，但为所有训练样本假设一个固定的最大距离会降低FRNN的准确性。因此，在本文中，我们提出了自适应半径近邻(ARNN)和加权ARNN(WARNN)，它们采用自适应距离，后者还采用权重。所有这三种方法都与kNN及其十二种变体在一个回归问题（即WiFi指纹室内定位）上进行了比较，使用了22个不同的数据集以提供全面的分析。虽然测试的FRNN和ARNN版本的表现属于最差之列，但测试中四种最佳方法中有三种是WARNN版本，这表明将权重与自适应距离结合使用可实现与kNN变体相当甚至更好的性能。
引用
@article{arxiv.2604.15940,
title = {(Weighted) Adaptive Radius Near Neighbor Search: Evaluation for WiFi Fingerprint-based Positioning},
author = {Khang Le and Joaquín Torres-Sospedra and Philipp Müller},
journal= {arXiv preprint arXiv:2604.15940},
year = {2026}
}
备注
11 pages, 2 figures, 2 tables, submitted to IPIN 2026