💻 computer science

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

Cet article propose un cadre de communication efficace FedProx-Binary FedVote pour la localisation intérieure par empreinte Wi-Fi à double tâche qui réduit considérablement la bande passante montante en transmettant des directions de mise à jour de 1 bit tout en maintenant une précision et une robustesse élevées dans des conditions de données non-IID fortes grâce à la régularisation FedProx.

Auteurs originaux : Guogen Yuan, Zongchang Yang

Publié 2026-09-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Guogen Yuan, Zongchang Yang

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le bourdonnement discret d'un centre commercial, d'un couloir d'hôpital ou d'un campus universitaire, des signaux invisibles provenant de routeurs Wi-Fi rebondissent constamment sur les murs, les meubles et les personnes. Ces signaux créent un motif unique et changeant de force et de faiblesse à chaque point spécifique, semblable à une empreinte digitale laissée par l'air lui-même. Pendant des décennies, des ingénieurs ont tenté d'utiliser ces motifs pour indiquer précisément à un téléphone où il se trouve à l'intérieur d'un bâtiment, une tâche que les systèmes de positionnement global ne peuvent accomplir car le ciel est obstrué par le toit. La méthode traditionnelle pour construire un système capable de comprendre ces motifs consiste à collecter des milliers de ces échantillons de signaux auprès de différentes personnes et à tous les envoyer vers un ordinateur central. Cependant, cette approche soulève deux problèmes importants : elle consomme beaucoup de bande passante Internet pour l'envoi des données, et elle exige que les gens partagent leur historique de mouvement privé, ce que beaucoup ne sont pas disposés à faire.

Pour résoudre ce problème, les chercheurs se sont tournés vers une méthode appelée apprentissage fédéré (federated learning), où le modèle informatique voyage vers la donnée plutôt que la donnée voyageant vers l'ordinateur. Dans cette configuration, chaque téléphone apprend de ses propres motifs de signaux locaux et renvoie uniquement les leçons apprises vers un serveur central, gardant les données brutes en sécurité sur l'appareil. Bien que cela protège la vie privée, cela crée un nouveau goulot d'étranglement : les téléphones doivent toujours envoyer des résumés détaillés et volumineux de leurs leçons, ce qui peut encombrer le réseau. Une équipe de chercheurs de l'Université de technologie et de science de Hunan a désormais développé un moyen de rendre ce processus beaucoup plus léger et robuste, permettant aux téléphones d'envoyer leurs leçons sous forme de simples directions d'un bit, plutôt que sous forme de fichiers de données complexes et lourds, même lorsque les données de chaque téléphone sont très différentes les unes des autres.

Les chercheurs se sont concentrés sur un défi spécifique de la navigation intérieure : connaître non seulement la zone générale, mais aussi le bâtiment exact et l'étage spécifique. Dans les grands complexes comme les universités ou les hôpitaux, un système doit identifier correctement à la fois le bâtiment et l'étage pour être utile. L'équipe a mis en place une expérience utilisant un ensemble de données réelles de signaux Wi-Fi collectés dans plusieurs bâtiments et étages. Ils ont simulé un réseau de dix utilisateurs différents, chacun tenant un téléphone avec un ensemble unique de données de signaux. Dans le monde réel, un utilisateur peut passer la majeure partie de son temps au premier étage d'une bibliothèque, tandis qu'un autre est toujours au troisième étage d'un bâtiment de sciences. Cette distribution inégale des données, connue sous le nom de non-IID, rend difficile pour un ordinateur central de s'accorder sur une carte unique et précise, car chaque utilisateur essaie d'enseigner au système une version légèrement différente de la réalité.

L'équipe a d'abord testé une méthode standard où les téléphones envoyaient des mises à jour complètes et détaillées au serveur. Cela fonctionnait bien lorsque les données étaient relativement équilibrées, mais cela nécessitait l'envoi d'environ 200,33 mégaoctets de données sur le réseau. Ils ont ensuite essayé une nouvelle approche inspirée d'une technique appelée FedVote, où, au lieu d'envoyer la leçon complète, chaque téléphone envoyait simplement un seul bit d'information indiquant si une partie spécifique du modèle devait être ajustée vers le haut ou vers le bas. Cela a réduit les données envoyées au serveur à seulement 6,26 mégaoctets, une réduction massive qui a permis de maintenir le réseau léger. Dans des conditions où les données étaient modérément inégales, cette méthode simple fonctionnait presque aussi bien que la méthode lourde et détaillée, identifiant correctement le bâtiment et l'étage dans près de 91 pour cent des cas.

Cependant, les chercheurs ont constaté que lorsque les données étaient extrêmement inégales — c'est-à-dire que chaque utilisateur était coincé dans une partie très spécifique et isolée du bâtiment — la méthode simple du bit unique commençait à trébucher. Les téléphones envoyaient des directions contradictoires, et le serveur central peinait à trouver une voie claire à suivre. Pour corriger cela, l'équipe a ajouté une règle de stabilisation au processus d'apprentissage local. Cette règle encourageait doucement chaque téléphone à rester proche du modèle global actuel, l'empêchant de trop s'éloigner de sa propre perspective étroite. En combinant cette règle de stabilisation avec le système de vote par un bit, les chercheurs ont créé une méthode capable de gérer même les scénarios de données inégales les plus difficiles.

Les résultats ont montré que cette approche combinée était très efficace. Lorsque les données étaient fortement biaisées, la simple méthode de vote ne réussissait à identifier correctement le bâtiment et l'étage que dans environ 69,76 pour cent des cas. Mais avec l'ajout de la règle de stabilisation, la précision est passée à 86,91 pour cent, tout en maintenant la transmission de données au niveau minuscule de 6,26 mégaoctets. Les chercheurs ont démontré qu'il est possible d'obtenir une localisation intérieure de haute précision sans inonder le réseau de données ni compromettre la vie privée des utilisateurs. Leurs travaux suggèrent que les futurs systèmes de navigation intérieure peuvent être à la fois efficaces et précis, en s'appuyant sur des signaux simples et légers provenant de nombreux appareils pour construire une image claire d'un monde intérieur complexe, sans jamais avoir besoin de voir les données brutes elles-mêmes.

Résumé Technique : FedProx-Binary FedVote pour la localisation intérieure par empreinte Wi-Fi à double tâche et efficacité de communication

1. Énoncé du Problème

Le fingerprinting (empreinte) Wi-Fi est une solution largement utilisée pour la localisation intérieure car elle exploite les points d'accès existants sans nécessiter d'infrastructure supplémentaire. Cependant, l'entraînement centralisé traditionnel nécessite l'envoi des données brutes de l'indicateur de force du signal reçu (RSSI) vers un serveur central, ce qui pose des défis importants concernant la bande passante de communication montante (uplink), la consommation d'énergie et la confidentialité des données de l'utilisateur.

L'apprentissage fédéré (Federated Learning - FL) répond aux préoccupations de confidentialité en gardant les données locales, mais les méthodes d'agrégation standard comme FedAvg exigent toujours que les clients transmettent des mises à jour de modèles en pleine précision (32 bits). Dans les environnements sans fil à bande passante limitée, ce coût de communication montante devient non négligeable, surtout à mesure que le nombre de clients et les cycles de communication augmentent. De plus, les données d'empreinte Wi-Fi sont souvent hautement hétérogènes (Non-IID), où différents clients (par exemple, dans différents bâtiments ou étages) possèdent des distributions de données distinctes. Ce contexte de « Strong Non-IID » peut provoquer une dérive des clients (client drift), entraînant des directions de mise à jour locales incohérentes qui déstabilisent les stratégies d'agrégation reposant sur des représentations à faible nombre de bits, telles que le vote binaire.

Cet article traite du double défi de la réduction des coûts de communication montante tout en maintenant la précision de la localisation sous des conditions de données Strong Non-IID pour la localisation par empreinte Wi-Fi à double tâche (Bâtiment-Étage).

2. Méthodologie

2.1 Modèle de Système et Formulation à Double Tâche

Les auteurs formulent le problème comme une tâche d'apprentissage fédéré à double tâche Bâtiment-Étage.

Architecture du Modèle : Un perceptron multicouche (MLP) léger à double tâche est employé. Il se compose d'un extracteur de caractéristiques partagé $g(\cdot)$ qui traite le vecteur RSSI de 520 dimensions, suivi de deux têtes spécifiques à la tâche : un classificateur de Bâtiment $f_b(\cdot)$ et un classificateur d'Étage $f_f(\cdot)$ .
Fonction de Perte : La perte locale combine les pertes de classification de Bâtiment et d'Étage, pondérées par un hyperparamètre $\alpha$ (fixé à 0,7 dans les expériences) pour équilibrer les tâches, car la prédiction de l'Étage est plus critique pour la « Dual Accuracy » globale.
Métrique d'Évaluation : La Dual Accuracy est la métrique principale, définie comme la proportion d'échantillons de test où à la fois l'étiquette du Bâtiment et celle de l'Étage sont prédites correctement de manière simultanée.

2.2 Agrégation Efficace en Communication : Binary FedVote

Pour réduire drastiquement le trafic montant, l'article adopte une stratégie d'agrégation de type Binary FedVote-style inspirée de l'optimisation basée sur le signe.

Mécanisme : Au lieu de télécharger les mises à jour de modèle en pleine précision ( $\Delta_k^t$ ), les clients ne téléchargent que la direction du signe à 1 bit ( $sign(\Delta_k^t)$ ) de leurs mises à jour locales.
Agrégation Serveur : Le serveur calcule une direction de vote globale en effectuant une somme pondérée des signes binaires reçus et en appliquant à nouveau la fonction de signe. Le modèle global est ensuite mis à jour en utilisant cette direction votée et une taille de pas de serveur prédéfinie.
Compression : Cela réduit la communication montante de 32 bits par paramètre à 1 bit par paramètre, atteignant théoriquement un taux de compression de 32 $\times$ par rapport à FedAvg.

2.3 Amélioration de la Robustesse : Régularisation FedProx

Les auteurs identifient que l'agrégation de style Binary FedVote est instable dans des conditions de Strong Non-IID car les distributions de données locales hétérogènes provoquent des directions de mise à jour conflictuelles. Pour atténuer cela sans augmenter les coûts de communication, ils intègrent FedProx.

Objectif Local : Un terme de régularisation proximale $\frac{\mu}{2} \|\theta - \theta_t\|^2$ est ajouté à l'objectif d'entraînement local.
Fonction : Ce terme pénalise les modèles locaux qui s'écartent trop du modèle global actuel $\theta_t$ . En restreignant la dérive des clients, les directions de mise à jour locales deviennent plus cohérentes entre les clients hétérogènes, stabilisant ainsi le processus de vote binaire côté serveur.
Implication sur le Coût : Étant donné que l'information téléchargée reste une donnée binaire de 1 bit, le coût de communication n'augmente pas malgré l'ajout de la régularisation computationnelle.

3. Principales Contributions

L'article présente trois contributions principales :

Formulation à Double Tâche : Le problème est formulé comme un problème de FL à double tâche Bâtiment-Étage, utilisant la Dual Accuracy pour évaluer la correction simultanée des deux étiquettes, ce qui est plus rigoureux que d'évaluer les tâches indépendamment.
Application de Binary FedVote : L'application du vote de direction à 1 bit pour la localisation par empreinte Wi-Fi fédérée. Sous des configurations de Moderate Non-IID, cette approche réduit la communication montante d'environ 200,33 Mo à 6,26 Mo tout en maintenant une précision comparable à FedAvg.
Stabilité Améliorée par FedProx : La conception d'un mécanisme FedProx-Binary FedVote. Cette méthode améliore la robustesse de l'agrégation à faible nombre de bits sous des distributions Strong Non-IID en rédu'isant la dérive des clients, stabilisant ainsi le processus de vote sans augmenter la bande passante montante.

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données UJIIndoorLoc avec 10 clients, simulant des partitions de données Moderate et Strong Non-IID.

4.1 Configuration Moderate Non-IID

Performance : Le style Binary FedVote a atteint une Dual Accuracy de 0,9118, comparable à FedAvg (0,9100).
Communication : Le trafic montant a été réduit de 200,33 Mo (FedAvg) à 6,26 Mo (Binary FedVote), soit une compression de 32 $\times$ .
Observation : L'analyse de la matrice de confusion a montré que la stratégie de vote à 1 bit préserve la capacité discriminante pour la classification de l'Étage, les erreurs se produisant principalement entre des étages adjacents, de manière similaire à la référence en pleine précision.

4.2 Configuration Strong Non-IID

Performance de Référence : Sous Strong Non-IID, le FedAvg standard a chuté à une Dual Accuracy moyenne de 0,6695. Le Binary FedVote-style original a légèrement mieux performé à 0,6976 mais est resté sensible à l'hétérogénéité des données.
Performance FedProx-Binary FedVote : L'introduction du terme FedProx a considérablement amélioré la stabilité, portant la Dual Accuracy finale moyenne à 0,8691 (avec un écart type de 0,0358).
Efficacité : Cette amélioration a été obtenue sans augmenter le coût de communication montante, qui est resté à 6,26 Mo (1 bit par paramètre).

5. Signification et Revendications

L'article affirme que la méthode proposée FedProx-Binary FedVote offre un compromis pratique entre la performance de localisation et l'efficacité de la communication montante.

Efficacité de Communication : Il démontre que le vote de direction à 1 bit est suffisant pour la localisation par empreinte Wi-Fi à double tâche sous une hétérogénéité modérée, réduisant les besoins en bande passante de deux ordres de grandeur par rapport aux méthodes en pleine précision.
Robustesse : Il comble une lacune critique dans la littérature existante en montrant que le vote à faible nombre de bits peut être stabilisé sous des conditions de Strong Non-IID grâce à une régularisation locale (FedProx), plutôt qu'en nécessissant des corrections complexes côté serveur ou une augmentation de la communication.
Applicabilité : La méthode est particulièrement pertinente pour les scénarios de localisation intérieure sans fil où les clients sont limités en bande passante et où les distributions de données sont hautement hétérogènes (par exemple, différents bâtiments ou étages).

Les auteurs concluent que, bien que le cadre actuel se concentre sur la classification de Bâtiment et d'Étage, les travaux futurs pourraient étendre cela à la régression de coordonnées ou à des partitions hétérogènes plus complexes, mais l'étude actuelle établit une base pour une localisation intérieure fédérée robuste et efficace en communication.