💻 computer science

Communication-Efficient FedProx-Binary FedVote for Dual-Task Wi-Fi Fingerprint Indoor Localization

Este artículo propone un marco de trabajo FedProx-Binary FedVote para la localización interior mediante huellas dactilares de Wi-Fi de doble tarea que es eficiente en comunicación, el cual reduce significativamente el ancho de banda de subida al transmitir direcciones de actualización de 1 bit mientras mantiene una alta precisión y robustez bajo condiciones de datos fuertemente No-IID mediante la regularización de FedProx.

Autores originales: Guogen Yuan, Zongchang Yang

Publicado 2026-09-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Guogen Yuan, Zongchang Yang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el zumbido silencioso de un centro comercial, un pasillo de hospital o un campus universitario, señales invisibles de los routers Wi-Fi rebotan constantemente en paredes, muebles y personas. Estas señales crean un patrón único y cambiante de fuerza y debilidad en cada punto específico, muy parecido a una huella dactilar dejada por el propio aire. Durante décadas, los ingenieros han intentado utilizar estos patrones para decirle a un teléfono exactamente dónde se encuentra dentro de un edificio, una tarea que los sistemas de posicionamiento global no pueden realizar porque el cielo está bloqueado por el techo. La forma tradicional de construir un sistema que comprenda estos patrones implica recopilar miles de estas muestras de señal de diferentes personas y enviarlas todas a una computadora central. Sin embargo, este enfoque plantea dos problemas significográficos: consume mucho ancho de banda de internet para enviar los datos y requiere que las personas compartan su historial de movimiento privado, algo que muchos no están dispuestos a hacer.

Para resolver esto, los investigadores han recurrido a un método llamado aprendizaje federado, donde el modelo de la computadora viaja hacia los datos en lugar de que los datos viajen hacia la computadora. En esta configuración, cada teléfono aprende de sus propios patrones de señal locales y envía solo las lecciones aprendidas de vuelta a un servidor central, manteniendo los datos brutos seguros en el dispositivo. Si bien esto protege la privacidad, crea un nuevo cuello de botella: los teléfonos aún tienen que enviar resúmenes grandes y detallados de sus lecciones, lo que puede congestionar la red. Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Hunan ha desarrollado ahora una forma de hacer que este proceso sea mucho más ligero y robusto, permitiendo que los teléfonos envíen sus lecciones como simples direcciones de un bit, en lugar de archivos de datos complejos y pesados, incluso cuando los datos en cada teléfono son muy diferentes entre sí.

Los investigadores se centraron en un desafío específico de la navegación en interiores: conocer no solo el área general, sino el edificio exacto y el piso específico. En complejos grandes como universidades u hospitales, un sistema debe identificar correctamente tanto el edificio como el piso para ser útil. El equipo realizó un experimento utilizando un conjunto de datos del mundo real de señales Wi-Fi recopiladas de múltiples edificios y pisos. Simularon una red de diez usuarios diferentes, cada uno con un teléfono que poseía un conjunto único de datos de señal. En el mundo real, un usuario podría pasar la mayor parte de su tiempo en el primer piso de una biblioteca, mientras que otro siempre está en el tercer piso de un edificio de ciencias. Esta distribución desigual de datos, conocida como non-IID, hace que sea difícil para una computadora central ponerse de acuerdo en un mapa único y preciso, porque cada usuario está tratando de enseñar al sistema una versión ligeramente diferente de la realidad.

El equipo probó primero un método estándar donde los teléfonos enviaban actualizaciones completas y detalladas al servidor. Esto funcionó bien cuando los datos estaban algo equilibrados, pero requería el envío de unos 200.33 megabytes de datos a través de la red. Luego probaron un nuevo enfoque inspirado en una técnica llamada FedVote, donde, en lugar de enviar la lección completa, cada teléfono simplemente enviaba un único bit de información indicando si una parte específica del modelo debía ajustarse al alza o a la baja. Esto redujo los datos enviados al servidor a solo 6.26 megabytes, una reducción masiva que mantuvo la red ligera. Bajo condiciones donde los datos eran moderadamente desiguales, este método simple funcionó tan bien como el método pesado y detallado, identificando correctamente el edificio y el piso en casi el 91 por ciento de los casos.

Sin embargo, los investigadores descubrieron que cuando los datos eran extremadamente desiguales —es decir, cuando cada usuario estaba atrapado en una parte muy específica e aislada del edificio— el método simple de un bit comenzaba a tambalearse. Los teléfonos enviaban direcciones contradictorias y el servidor central luchaba por encontrar un camino claro a seguir. Para solucionar esto, el equipo añadió una regla de estabilización al proceso de entrenamiento local. Esta regla alentaba suavemente a cada teléfono a permanecer cerca del modelo global actual, evitando que se desviara demasiado hacia su propia perspectiva estrecha. Al combinar esta regla de estabilización con el sistema de votación de un bit, los investigadores crearon un método que podía manejar incluso los escenarios de datos más difíciles e irregulares.

Los resultados mostraron que este enfoque combinado fue altamente efectivo. Cuando los datos estaban muy sesgados, el método de votación simple por sí solo logró identificar correctamente el edificio y el piso aproximadamente el 69.76 por ciento de las veces. Pero con la adición de la regla de estabilización, la precisión saltó al 86.91 por ciento, todo ello manteniendo la transmisión de datos en los diminutos 6.26 megabytes. Los investigadores demostraron que es posible lograr una localización en interiores de alta precisión sin inundar la red con datos ni comprometer la privacidad del usuario. Su trabajo sugiere que los futuros sistemas de navegación en interiores pueden ser tanto eficientes como precisos, dependiendo de señales simples y ligeras de muchos dispositivos para construir una imagen clara de un complejo mundo interior, sin necesidad de ver jamás los datos brutos en sí mismos.

Resumen Técnico: FedProx-Binary FedVote para la Localización de Huellas Digitales Wi-Fi de Tarea Dual con Eficiencia de Comunicación

1. Planteamiento del Problema

El mapeo de huellas digitales Wi-Fi es una solución ampliamente utilizada para la localización en interiores, ya que aprovecha los puntos de acceso existentes sin requerir infraestructura adicional. Sin embargo, el entrenamiento centralizado tradicional requiere subir datos brutos de Indicador de Fuerza de la Señal Recibida (RSSI) a un servidor central, lo que plantea desafíos significativos respecto al ancho de banda de comunicación de subida (uplink), el consumo de energía y la privacidad del usuario.

El Aprendizaje Federado (FL) aborda las preocupaciones de privacidad manteniendo los datos de forma local, pero los métodos de agregación estándar como FedAvg aún requieren que los clientes transmitan actualizaciones de modelos de precisión completa (32 bits). En entornos inalámbricos con ancho de banda limitado, este costo de comunicación de subida se vuelve no despreciable, especialmente a medida que aumenta el número de clientes y las rondas de comunicación. Además, los datos de huellas digitales Wi-Fi suelen ser altamente heterogéneos (Non-IID), donde diferentes clientes (por ejemplo, en diferentes edificios o plantas) poseen distribuciones de datos distintas. Este escenario de "Strong Non-IID" puede causar deriva del cliente (client drift), lo que genera direcciones de actualización locales inconsistentes que desestabilizan las estrategias de agregación que dependen de representaciones de pocos bits, como la votación binaria.

Este artículo aborda el doble desafío de reducir los costos de comunicación de subida manteniendo al mismo tiempo la precisión de la localización bajo condiciones de datos Strong Non-IID para la localización de huellas digitales Wi-Fi de tarea dual Edificio-Planta.

2. Metodología

2.1 Modelo de Sistema y Formulación de Tarea Dual

Los autores formulan el problema como una tarea de aprendizaje federado de tarea dual Edificio-Planta.

Arquitectura del Modelo: Se emplea un Perceptrón Multicapa (MLP) de tarea dual ligero. Consiste en un extractor de características compartido $g(\cdot)$ que procesa el vector RSSI de 520 dimensiones, seguido de dos cabezales específicos de tarea: un clasificador de Edificio $f_b(\cdot)$ y un clasificador de Planta $f_f(\cdot)$ .
Función de Pérdida: La pérdida local combina las pérdidas de clasificación de Edificio y Planta, ponderadas por un hiperparámetro $\alpha$ (establecido en 0.7 en los experimentos) para equilibrar las tareas, dado que la predicción de la Planta es más crítica para la "Precisión Dual" general.
Métrica de Evaluación: La Precisión Dual es la métrica principal, definida como la proporción de muestras de prueba donde tanto la etiqueta de Edificio como la de Planta se predicen correctamente de forma simultánea.

2.2 Agregación Eficiente en Comunicación: Binary FedVote

Para reducir drásticamente el tráfico de subida, el artículo adopta una estrategia de agregación de tipo Binary FedVote-style inspirada en la optimización basada en el signo.

Mecanismo: En lugar de subir actualizaciones de modelo de precisión completa ( $\Delta_k^t$ ), los clientes suben únicamente la dirección de signo de 1 bit ( $sign(\Delta_k^t)$ ) de sus actualizaciones locales.
Agregación del Servidor: El servidor calcula una dirección de votación global realizando una suma ponderada de los signos binarios recibidos y aplicando nuevamente la función de signo. El modelo global se actualiza utilizando esta dirección votada y un tamaño de paso del servidor predefinido.
Compresión: Esto reduce la comunicación de subida de 32 bits por parámetro a 1 bit por parámetro, logrando teóricamente una relación de compresión de 32 $\times$ en comparación con FedAvg.

2.3 Mejora de la Robustez: Regularización FedProx

Los autores identifican que la agregación de estilo Binary FedVote es inestable bajo condiciones de Strong Non-IID porque las distribuciones de datos locales heterogéneas causan direcciones de actualización conflictivas. Para mitigar esto sin aumentar los costos de comunicación, integran FedProx.

Objetivo Local: Se añade un término de regularización proximal $\frac{\mu}{2} \|\theta - \theta_t\|^2$ al objetivo de entrenamiento local.
Función: Este término penaliza los modelos locales que se desvían demasiado del modelo global actual $\theta_t$ . Al restringir la deriva del cliente, las direcciones de actualización local se vuelven más consistentes entre clientes heterogéneos, estabilizando así el proceso de votación binaria en el lado del servidor.
Implicación de Costo: Dado que la información subida sigue siendo datos binarios de 1 bit, el costo de comunicación no aumenta a pesar de la regularización computacional añadida.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

Formulación de Tarea Dual: El problema se enmarca como un problema de FL de tarea dual Edificio-Planta, utilizando la Precisión Dual para evaluar la corrección simultánea de ambas etiquetas, lo cual es más riguroso que evaluar las tareas de forma independiente.
Aplicación de Binary FedVote: La aplicación de la votación de dirección de 1 bit a la localización de huellas digitales Wi-Fi federada. Bajo configuraciones de Moderate Non-IID, este enfoque reduce la comunicación de subida de ~200.33 MB a ~6.26 MB manteniendo una precisión comparable a FedAvg.
Estabilidad Mejorada por FedProx: El diseño de un mecanismo FedProx-Binary FedVote. Este método mejora la robustez de la agregación de pocos bits bajo distribuciones Strong Non-IID mediante la reducción de la deriva del cliente, estabilizando así el proceso de votación sin aumentar el ancho de banda de subida.

- 4. Resultados Experimentales

Los experimentos se realizaron con el conjunto de datos UJIIndoorLoc con 10 clientes, simulando particiones de datos Moderate y Strong Non-IID.

4.1 Configuración Moderate Non-IID

Desempeño: El estilo Binary FedVote logró una Precisión Dual de 0.9118, comparable a FedAvg (0.9100).
Comunicación: El tráfico de subida se redujo de 200.33 MB (FedAvg) a 6.26 MB (Binary FedVote), una compresión de 32 $\times$ .
Observación: El análisis de la matriz de confusión mostró que la estrategia de votación de 1 bit preservó la capacidad discriminativa para la clasificación de Planta, ocurriendo errores principalmente entre plantas adyacentes, de manera similar al baseline de precisión completa.

4.2 Configuración Strong Non-IID

Desempeño del Baseline: Bajo Strong Non-IID, el estándar FedAvg cayó a una Precisión Dual media de 0.6695. El Binary FedVote-style original funcionó ligeramente mejor con 0.6976, pero siguió siendo sensible a la heterogeneidad de los datos.
Desempeño de FedProx-Binary FedVote: La introducción del término FedProx mejoró significativamente la estabilidad, elevando la Precisión Dual Final media a 0.8691 (con una desviación estándar de 0.0358).
Eficiencia: Esta mejora se logró sin aumentar el costo de comunicación de subida, el cual se mantuvo en 6.26 MB (1 bit por parámetro).

5. Significado y Reivindicaciones

El artículo sostiene que el método propuesto FedProx-Binary FedVote ofrece un compromiso práctico entre el desempeño de la localización y la eficiencia de la comunicación de subida.

Eficiencia de Comunicación: Demuestra que la votación de dirección de 1 bit es suficiente para la localización de huellas digitales Wi-Fi de tarea dual bajo heterogeneidad moderada, reduciendo los requisitos de ancho de banda en dos órdenes de magnitud en comparación con los métodos de precisión completa.
Robustez: Aborda una brecha crítica en la literatura existente al mostrar que la votación de pocos bits puede estabilizarse bajo condiciones Strong Non-IID mediante la regularización local (FedProx), en lugar de requerir correcciones complejas en el servidor o un aumento en la comunicación.
Aplicabilidad: El método es particularmente relevante para escenarios de localización en interiores inalámbricos donde los clientes tienen ancho de banda limitado y las distribuciones de datos son altamente heterogéneas (por ejemplo, diferentes edificios o plantas).

Los autores concluyen que, si bien el marco actual se centra en la clasificación de Edificio y Planta, el trabajo futuro podría extenderse a la regresión de coordenadas o particiones heterogéneas más complejas, pero el estudio actual establece una base para la localización en interiores federada, robusta y eficiente en comunicación.