Spatially-Adaptive Conformal Graph Transformer for Indoor Localization in Wi-Fi Driven Networks

技術要約：屋内測位のための空間適応型共形グラフトランスフォーマー（SAC-GT）

問題提起
屋内測位は、ナビゲーションや資産追跡などのスマート環境サービスにおいて不可欠であるが、GPS信号の遮断により依然として困難な課題となっている。Wi-Fiの受信信号強度（RSSI）は、チャネル状態情報（CSI）に代わるコスト効率の高い選択肢であるが、マルチラテレーションやフィンガープリント法のような従来のRSSIベースの手法は、信号の減衰、マルチパス効果、および動的な環境変動に苦慮する。さらに、既存のディープラーニング・アプローチの多くは、信号データをフラットなベクトルとして扱い、無線ネットワークの潜在的なグラフ構造を無視している。極めて重要な点として、現在のモデルの多くは、予測の不確実性を定量化するための厳密なフレームワークを欠いており、これは安全性が重視される実世界の展開において不可欠な要件である。モンテカルロ・ドロップアウトなどの既存の不確実性推定技術は、正式な統計的保証を欠くことが多く、また共形予測（Conformal Prediction: CP）手法は、通常、グローバルな不確実性マージンを適用するため、屋内環境の空間的な不均一性（例：開けたエリアと複雑な廊下における信号挙動の違い）を考慮できていない。

手法：SAC-GTフレームワーク
著者らは、高精度な点測位と、統計的に妥当な領域固有の信頼領域の両方を提供する統合フレームワークである、**空間適応型共形グラフトランスフォーマー（SAC-GT）**を提案している。このフレームワークは、以下の3つのステージで動作する。

1. グラフトランスフォーマー（GT）モデル:
   コアとなる測位エンジンは、移動ユーザーと$m$個のWi-Fiアクセスポイント（AP）をノードとするグラフとして環境をモデル化する。このグラフには2種類のリンクが含まれる：

   • 物理的リンク： 検出可能なユーザーと各APとの間の動的な接続であり、RSSI値によって重み付けされる。
   • 論理的リンク： 物理的に近接しているAP同士の静的な接続であり、インフラストラクチャの空間的なトポロジーを符号化する。
     モデルは、マルチヘッド・アテンションを用いたTransformerConvオペレータを使用する、スタックされたグラフトランスフォーマー層を採用している。これにより、モデルは隣接ノードおよび隣接ノードの隣接ノードから特徴を集約し、グラフ構造から正確な2D座標$(\hat{x}, \hat{y})$への直接的なエンドツーエンドのマッピングを学習することができる。モデルは平均絶対誤差（MAE）を最小化するように訓練される。

2. 空間適応型共形予測（SACP）:
   不確実性定量化の欠如に対処するため、著者らはGTモデルに適用されるラッパーとしてSACPを導入する。グローバルなCP手法とは異리고、SACPは、グラウンドトゥルースの座標に対するK-meansクラスタリングを用いて、屋内環境を$k$個の異なる地理的領域に分割する。

   • キャリブレーションセットを使用して、各サンプルに対する非適合度スコア（予測位置と真の位置の間のユークリッド距離）を計算する。
   • 各領域について、スコアをソートし、所望の信頼レベル（$1-\alpha$）を満たす独自の予測半径（$r_k$）を算出する。
   • これにより、複雑な領域には大きな不確実性マージンを、単純な領域にはよりタイトなマージンを与える、適応的な半径のセットが生成される。

3. 推論ステージ:
   新しいテストサンプルに対して、GTモデルは点予測を生成する。予測には、訓練済みのK-meansモデルを介して特定の地理的領域が割り当てられる。事前キャリブレーションされた半径がその領域に適用され、予測位置を中心とした円形の信頼領域が生成される。これにより、真の位置が確率$1-\alpha$でその円内に含まれることが保証される。

主な貢献

• 堅牢なGTモデル： 固定されたAPの空間位置と動的なRSSI信号を活用し、フラットなベクトルを用いるディープラーニングモデルよりもネットワーク・トポロジーをより良く捉え、2D座標への直接的なマッピングを学習するグラフベースのアーキテクチャ。
• SACPフレームワーク： 共形予測を空間適応型へと拡張する新しい手法。環境を分割し、各ゾーンに対して固有の、統計的に妥当な信頼半径を校正することで、局所的な信号条件に合わせた粒度の高い不確実性推定を提供する。
• 実証的検証： SODIndoorLocデータセットを用いた広範な評価により、精度と信頼性の両面において最先端の性能を実証した。

実験結果
フレームワークは、56個のAPと11,000件以上の訓練サンプルを含むSODIndoorLocデータセット（HCXYビル）を用いて評価された。

• 精度： SAC-GTは、中央値誤差1.37 mおよびMAE1.76 mを達成した。これは、中央値誤差2.05 mを記録した最良のベースラインであるグラフ畳み込みネットワーク（GCN）や、従来のランダムフォレスト（MAE 3.20 m）と比較して大幅な改善を示している。
• 堅牢性： SAC-GTの95パーセンタイル誤差は4.40 mであり、GCN（8.03 m）やランダムフォレスト（8.29 m）のほぼ半分であり、外れ値に対する優れた処理能力を示している。
• 適応的信頼性： SACPフレームワークは、1.70 m（低誤差ゾーン）から3.78 m（高曖昧ゾーン）までの5つの領域に対して、明確に区別された半径の校正に成功した。本フレームワークは、目標信頼レベル90%に対して**84.8%**の全体テストカバレッジを達成し、その統計的妥当性と空間適応性を確認した。
• パラメータ感度： 実験により、信号強度の閾値（$\tau$）が-75 dBmであることが、特徴量の豊富さとノイズの最適なトレードオフを提供することが示された。また、有意水準（$\alpha$）の変化は、異なる信頼要件の下でも、フレームワークが容易な領域と困難な領域の間の明確な区別を維持していることを示した。

意義と主張
本論文は、SAC-GTが点予測を超えて、信頼性の高い空間適応型の信頼領域を提供することにより、屋内測位における決定的なギャップを埋めるものであると主張している。著者らは、従来のグラフベースのモデルは精度の向上を実現したが、形式的な不確実性定量化を欠いていたことを強調している。逆に、既存の不確実性手法は単一のグローバルなマージンを適用しており、異なる屋内領域が異なる信号挙動を示すという現実を無視している。グラフトランスフォーマーを領域認識型の共形予測メカニケーションと統合することで、SAC-GTは、特定の環境条件に合わせて調整された、精密かつ信頼できるソリューションを提供する。著者らは、現在の限界として、本フレームワークはまだ領域ごとの厳密な「条件付き」カバレッジ保証を提供していないことを認めており、これを今後の研究課題としている。