技術要約：デュアルタスクWi-Fiフィンガープリント屋内測位のための通信効率の高いFedProx-Binary FedVote

1. 問題提起

Wi-Fiフィンガープリント法は、追加のインフラを必要とせずに既存のアクセスポイントを活用できるため、屋内測位において広く用いられているソリューションである。しかし、従来の集中学習では、生の受信信号強度（RSSI）データを中央サーバーにアップロードする必要があり、これはアップリンクの通信帯域幅、エネルギー消費、およびユーザープライバシーに関する重大な課題となる。

連合学習（Federated Learning: FL）は、データをローカルに保持することでプライバシーの問題に対処するが、標準的な集約手法であるFedAvgは、依然としてクライアントによるフル精度（32ビット）のモデル更新の送信を必要とする。帯域幅が制限された無線環境において、このアップリンク通信コストは、クライアント数や通信ラウンド数が増加するにつれて無視できないものとなる。さらに、Wi-Fiフィンガープリントデータは高度に不均一（Non-IID）であることが多く、異なるクライアント（例：異なる建物やフロアにいるクライアント）は、それぞれ異なるデータ分布を持つ。この「強いNon-IID」設定は、クライアントのドリフトを引き起こし、バイナリ投票のような低ビット表現に依存する集約戦略を不安定にする、一貫性のないローカル更新の方向性を生じさせる。

本論文は、建物・フロアのデュアルタスクWi-Fiフィンガープリント測位における、アップリンク通信コストの削減と、強いNon-IIDデータ条件下での測位精度の維持という二重の課題に取り組むものである。

2. 手法

2.1 システムモデルとデュアルタスクの定式化

著者らは、問題を建物・フロアのデュアルタスク連合学習問題として定式化している。

• モデルアーキテクチャ: 軽量なデュアルタスク多層パーセプトロン（MLP）を採用している。これは、520次元のRSSIベクトルを処理する共有特徴抽出器 $g(\cdot)$ と、それに続く2つのタスク固有のヘッド、すなわち建物分類器 $f_b(\cdot)$ およびフロア分類器 $f_f(\cdot)$ で構成される。
• 損失関数: ローカル損失は、建物とフロアの分類損失を組み合わせたものであり、タスク間のバランスをとるためのハイパーパラメータ $\alpha$（実験では0.7に設定）によって重み付けされている。これは、フロア予測が全体の「デュアル精度（Dual Accuracy）」にとってより重要であるためである。
• 評価指標: **デュアル精度（Dual Accuracy）**を主要な指標とする。これは、テストサンプルにおいて、建物とフロアの両方のラベルが同時に正しく予測された割合として定義される。

2.2 通信効率の高い集約：Binary FedVote

アップリンクのトラフィックを劇的に削減するために、本論文では符号ベースの最適化に着想を得たBinary FedVote形式の集約戦略を採用している。

• メカニズム: クライアントはフル精度のモデル更新（$\Delta_k^t$）をアップロードする代わりに、ローカル更新の1ビット符号方向（$sign(\Delta_k^t)$）のみをアップロードする。
• サーバー集約: サーバーは、受信したバイナリ符号の加重平均を計算し、再び符号関数を適用することで、グローバルな投票方向を算出する。その後、グローバルモデルはこの投票された方向と定義されたサーバーステップサイズを用いて更新される。
• 圧縮: これにより、パラメータあたりのアップリンク通信は32ビットから1ビットへと削減され、理論的にはFedAvgと比較して32倍の圧縮率を達成する。

2.3 強靭性の強化：FedProx 正則化

著者らは、データの不均一性が原因でローカルの更新方向が衝突するため、Binary FedVote形式の集約は強いNon-IID条件下では不安定になることを特定した。通信コストを増大させることなくこれを緩和するために、彼らはFedProxを統合している。

• ローカル目的関数: ローカルの学習目的関数に近接正則化項 $\frac{\mu}{2} \|\theta - \theta_t\|^2$ が追加される。
• 機能: この項は、現在のグローバルモデル $\theta_t$ から大きく逸脱するローカルモデルに対してペナルティを課す。クライアントのドリフトを抑制することにより、ローカルの更新方向が不均一なクライアント間でもら一貫性を持ち、それによってサーバー側での1ビット投票プロセスが安定化する。
• コストへの影響: アップロードされる情報は1ビットのバイナリデータのままであるため、追加された計算上の正則化にもかかわらず、通信コストは増加しない。

3. 主な貢献

本論文は、主に3つの貢献を述べている。

1. デュアルタスクの定式化: 問題を建物・フロアのデュアルタスクFL問題として枠組み化し、両方のラベルの同時的な正当性を評価するために、タスクを独立して評価するよりも厳格なデュアル精度を利用している。
2. Binary FedVoteの適用: 1ビットの方向投票を、連合Wi-Fiフィンガープリント測位に適用した。中程度のNon-IID設定下において、このアプローチはアップリンク通信を約200.33 MBから約6.26 MBに削減しつつ、FedAvgに匹敵する精度を維持している。
3. FedProxによる安定性の向上: FedProx-Binary FedVoteメカニズムの設計。この手法は、クライアントのドリフトを減少させることで、低ビット集約の強靭性を強いNon-IID分布下で向上させ、アップリンク帯域幅を増やすことなく投票プロセスを安定させる。

4. 実験結果

実験は、10個のクライアントを用い、中程度および強いNon-IIDのデータ分割をシミュレートしたUJIIndoorLocデータセットに対して行われた。

4.1 中程度のNon-IID設定

• 性能: Binary FedVote形式は、FedAvg（0.9100）に匹敵する0.9118のデュアル精度を達成した。
• 通信: アップリンクトラフィックは、FedAvgの200.33 MBからBinary FedVoteの6.26 MBへと、32倍の圧縮を実現した。
• 観察: 混同行列の分析により、1ビット投票戦略は、エラーが主に隣接するフロア間で発生するというフル精度ベースラインと同様の傾向を示すものの、フロア分類に対する識別能力を保持していることが示された。

4.2 強いNon-IID設定

• ベースライン性能: 強いNon-IID条件下では、標準的なFedAvgの平均デュアル精度は0.6695に低下した。元のBinary FedVote形式は0.6976とわずかに優れた性能を示したが、データの不均一性に敏感なままであった。
• FedProx-Binary FedVoteの性能: FedProx項を導入することで安定性が大幅に向上し、最終的な平均デュアル精度は0.8691（標準偏差0.0358）に上昇した。
• 効率性: この向上は、アップリンク通信コストを6.26 MB（1ビット/パラメータ）に維持したまま、通信量を増やすことなく達成された。

5. 意義と主張

本論文は、提案されたFedProx-Binary FedVote手法が、測位性能とアップリンク通信効率の間の実用的なトレードオフを提供すると主張している。

• 通信効率: 1ビットの方向投票は、中程度の不均一性があるデュアルタスクWi-Fiフィンガープリント測位において十分であり、フル精度手法と比較して帯域幅の要求を2桁削減できることを示している。
• 強靭性: 複雑なサーバー側の補正や通信量の増加を必要とせず、ローカルの正則化（FedProx）を通じて低ビット投票を安定化できることを示すことで、既存の文献における重要なギャップを埋めている。
• 適用可能性: 本手法は、クライアントが帯域幅に制約があり、かつデータの分布が高度に不均一である（例：異なる建物やフロア）無線屋内測位のシナリオにおいて特に有用である。

著者らは、現在のフレームワークは建物およびフロアの分類に焦点を当てているが、今後の研究では座標回帰やより複雑な不均一パーティションへと拡張可能であるとしつつ、本研究が通信効率が高く強靭な連合屋内測位の基礎を確立したと結論付けている。