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

기술 요약: 실내 위치 측정을 위한 공간 적응형 컨포멀 그래프 트랜스포머(SAC-GT)

문제 정의
실내 위치 측정은 내비게이션 및 자산 추적과 같은 스마트 환경 서비스를 위해 필수적이지만, GPS 신호의 차단으로 인해 여전히 까다로운 과제로 남아 있습니다. Wi-Fi 수신 신호 강도 지표(RSSI)는 채널 상태 정보(CSI)에 비해 비용 효율적인 대안을 제공하지만, 다중 측위(multilateration)나 핑거프린팅(fingerprinting)과 같은 전통적인 RSSI 기반 방식은 신호 감쇠, 다중 경로 효과, 동적인 환경 변화로 인해 어려움을 겪습니다. 또한, 기존의 딥러닝 접근 방식은 신호 데이터를 평면 벡터로 취급하여 무선 네트워크의 기저에 깔린 그래프 구조를 무시하는 경면이 있습니다. 결정적으로, 대부분의 현재 모델은 예측 불확실성을 정량화하기 위한 엄격한 프레임워크가 부족하며, 이는 안전이 중요한 실제 배포 환경에서 필수적인 요구사항입니다. 몬테카를로 드롭아웃(Monte Carlo dropout)과 같은 기존의 불확실성 추정 기술은 종종 공식적인 통계적 보증이 결여되어 있으며, 컨포멀 예측(Conformal Prediction, CP) 방법은 실내 환경의 공간적 이질성(예: 개방된 구역과 복잡한 복도 간의 상이한 신호 거동)을 고려하지 못하고 전역적인 불확실성 마진을 적용하는 경향이 있습니다.

방법론: SAC-GT 프레임워크
저자들은 고정밀 점 위치 예측과 통계적으로 유효한 영역별 신뢰 영역을 모두 제공하도록 설계된 통합 프레임워크인 **공간 적응형 컨포멀 그래프 트랜스포머(Spatially-Adaptive Conformal Graph Transformer, SAC-GT)**를 제안합니다. 이 프레임워크는 세 단계로 작동합니다:

1. 그래프 트랜스포머(GT) 모델:
   핵심 위치 측정 엔진은 환경을 이동 사용자(user)와 $m$개의 Wi-Fi 액세스 포인트(AP)를 나타내는 노드로 구성된 그래프로 모델링합니다. 이 그래프는 두 가지 유형의 링크를 포함합니다:

   • 물리적 링크(Physical links): RSSI 값에 의해 가중치가 부여되는, 사용자와 감지 가능한 AP 사이의 동적 연결.
   • 논리적 링크(Logical links): 인프라의 공간적 토폴로지를 인코딩하는, 물리적으로 가까운 AP들 사이의 정적 연결.
     모델은 멀티 헤드 어텐션(multi-head attention)을 갖춘 TransformerConv 연산자를 사용하여 스택된 그래프 트랜스포머 레이어를 채택합니다. 이를 통해 모델은 즉각적인 이웃 및 이웃의 이웃으로부터 특징을 집계하여, 그래프 구조로부터 정밀한 2D 좌표 $(\hat{x}, \hat{y})$로의 직접적인 엔드 투 엔드 매핑을 학습합니다. 모델은 평균 절대 오차(MAE)를 최소화하도록 학습됩니다.

2. 공간 적응형 컨포멀 예측(SACP):
   불확실성 정량화 문제를 해결하기 위해, 저자들은 GT 모델에 적용되는 래퍼(wrapper)인 SACP를 도입합니다. 전역 CP 방식과 달리, SACP는 K-평균(K-Means) 클러스터링을 사용하여 실내 환경을 $k$개의 별도 지리적 영역으로 분할합니다.

   • 교정 세트(calibration set)를 사용하여 각 샘플에 대한 비정합성 점수(nonconformity scores, 예측 위치와 실제 위치 사이의 유클리드 거리)를 계산합니다.
   • 각 영역에 대해, 원하는 신뢰 수준($1-\alpha$)을 충족하도록 점수들을 정렬하고 고유한 예측 반경($r_k$)을 계산합니다.
   • 그 결과, 복잡한 영역은 더 큰 불확실성 마진을 받고 단순한 영역은 더 좁은 마진을 받는 적응형 반경이 생성됩니다.

3. 추론 단계:
   새로운 테스트 샘플이 들어오면, GT 모델은 점 예측을 생성합니다. 예측값은 훈련된 K-평균 모델을 통해 특정 지리적 영역에 할당됩니다. 생성된 예측 위치를 중심으로 원형 신뢰 영역을 생성하기 위해 해당 영역에 대해 사전 교정된 반경이 적용되며, 이는 실제 위치가 $1-\alpha$의 확률로 해당 원 안에 포함됨을 보장합니다.

주요 기여

• 강건한 GT 모델: 고정된 AP 공간 위치와 동적인 RSSI 신호를 활용하여 2D 좌표로의 직접적인 매핑을 학습함으로써, 평면 벡터 기반의 딥러닝 모델보다 네트워크 토폴로지를 더 잘 포착하는 그래프 기반 아키텍처를 제공합니다.
• SACP 프레임워크: 컨포멀 예측을 공간적으로 적응 가능하도록 확장한 새로운 방법을 제안합니다. 환경을 분할하고 각 구역에 대해 고유하고 통계적으로 유효한 신뢰 반경을 교정함으로써, 지역적 신호 조건에 맞춤화된 세밀한 불확실성 추정치를 제공합니다.
• 실증적 검증: SODIndoorLoc 데이터셋에 대한 광범한 평가를 통해 정확도와 신뢰성 측면에서 최첨단(state-of-the-art) 성능을 입증했습니다.

실험 결과
프레임워크는 56개의 AP와 11,000개 이상의 훈련 샘플로 구성된 SODIndoorLoc 데이터셋(HCXY 빌딩)에서 평가되었습니다.

• 정확도: SAC-GT는 중앙값 오차(Median Error) 1.37 m 및 MAE 1.76 m를 달려냈습니다. 이는 최고 성능의 베이스라인인 그래프 합성곱 신경망(GCN, 중앙값 오차 2.05 m) 및 랜덤 포레스트(3.20 m MAE)와 같은 전통적 방식보다 유의미한 개선을 보여줍니다.
• 강건성: SAC-GT의 95 백분위수 오차는 4.40 m로, GCN(8.03 m)과 랜덤 포레스트(8.29 m)의 거의 절반 수준이며, 이는 이상치(outlier) 처리에 있어 탁월한 성능을 나타냅니다.
• 적응형 신뢰성: SACP 프레임워크는 1.70 m(저오차 구역)에서 3.78 m(고모호성 구역)에 이르는 5개 영역에 대해 뚜렷한 반경을 성공적으로 교정했습니다. 프레임워크는 목표 신뢰 수준 90%에 대해 **84.8%**의 전체 테스트 커버리지를 달성하여 통계적 유효성과 공간적 적응성을 확인했습니다.
• 파라미터 민감도: 실험 결과, 신호 강도 임계값($\tau$)이 -75 dBm일 때 특징의 풍부함과 노이즈 사이의 최적의 균형을 제공함을 확인했습니다. 또한 유의 수준($\alpha$)을 변화시키는 실험을 통해, 본 프레임워크가 다양한 신뢰 요구 사항에 걸쳐 용이한 영역과 도전적인 영역 간의 명확한 구분을 유지함을 입증했습니다.

의의 및 주장
본 논문은 SAC-GT가 점 예측을 넘어 신뢰할 수 있는 공간 적응형 신뢰 영역을 제공함으로써 실내 위치 측정의 핵심적인 공백을 메운다고 주장합니다. 저자들은 기존의 그래프 기반 모델들이 정확도는 향상시켰을지라도 공식적인 불확실성 정량화는 결여되어 있었다는 점을 강조합니다. 반대로, 기존의 불확실성 방법들은 서로 다른 실내 영역이 상이한 신호 거동을 보인다는 현실을 무시하고 단일한 전역 마진을 적용해 왔습니다. 그래프 트랜스포머를 영역 인식 컨포멀 예측 메커니즘과 통합함으로써, SAC-GT는 정밀할 뿐만 아니라 신뢰할 수 있는 솔루션을 제공하며, 특정 환경 조건에 맞춘 통계적으로 유효한 보증을 제공합니다. 저자들은 현재의 한계점으로, 본 프레임워크가 아직 각 영역에 대한 엄격한 조건부(conditional) 커버리지 보증을 제공하지 못한다는 점을 언급하며, 이를 향후 연구 과제로 남겨두었습니다.