💻 computer science

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

Dit artikel stelt een communicatie-efficiënt FedProx-Binary FedVote-raamwerk voor dual-task Wi-Fi fingerprint indoor lokalisatie voor, dat de uplink-bandbreedte aanzienlijk vermindert door het verzenden van 1-bit update-richtingen, terwijl het een hoge nauwkeurigheid en robuustheid behoudt onder sterke Non-IID data-condities door middel van FedProx-regularisatie.

Oorspronkelijke auteurs: Guogen Yuan, Zongchang Yang

Gepubliceerd 2026-09-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guogen Yuan, Zongchang Yang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In het stille gezoem van een winkelcentrum, een ziekenhuisgang of een universiteitscampus weerkaatsen onzichtbare signalen van Wi-Fi-routers voortdurend tegen muren, meubels en mensen. Deze signalen creëren een uniek, verschuivend patroon van sterkte en zwakte op elke specifieke plek, vergelijkbaar met een vingerafdruk die door de lucht zelf is achtergelaten. Decennialang hebben ingenieurs geprobeerd deze patronen te gebruiken om een telefoon precies te vertellen waar deze zich binnen een gebouw bevindt, een taak die globale positioneringssystemen niet kunnen uitvoeren omdat de hemel wordt geblokkeerd door het dak. De traditionele manier om een systeem te bouwen dat deze patronen begrijpt, houdt in dat duizenden van deze signaalmonsters worden verzameld van verschillende mensen en naar een centrale computer worden verzonden. Echter, deze aanpak brengt twee belangrijke problemen met zich mee: het verbruikt veel internetbandbreedte om de gegevens te verzenden, en het vereist dat mensen hun privébewegingsgeschiedenis delen, wat velen niet willen doen.

Om dit op te lossen, hebben onderzoekers zich gericht op een methode genaamd federated learning, waarbij het computermodel naar de data reist in plaats van de data naar de computer. In deze opstelling leert elke telefoon van zijn eigen lokale signaalpatronen en stuurt alleen de lessen die het heeft geleerd terug naar een centrale server, waardoor de ruwe data veilig op het apparaat blijft. Ho hoewel dit de privacy beschermt, creëert het een nieuwe flessenhals: de telefoons moeten nog steeds grote, gedetailleerde samenvattingen van hun lessen versturen, wat het netwerk kan verstoppen. Een team onderzoekers van de Hunan University of Science and Technology heeft nu een manier ontwikkeld om dit proces veel lichter en robuuster te maken, waardoor telefoons hun lessen als eenvoudige, één-bit richtingen kunnen versturen in plaats van complexe, zware databestanden, zelfs wanneer de data op elke telefoon sterk verschilt van de anderen.

De onderzoekers richtten zich op een specifieke uitdaging in binnennavigatie: niet alleen het algemene gebied weten, maar ook het exacte gebouw en de specifieke verdieping. In grote complexen zoals universiteiten of ziekenhuizen moet een systeem zowel het gebouw als de verdieping correct identificeren om nuttig te zijn. Het team stelde een experiment op met behulp van een real-world dataset van Wi-fi-signalen die zijn verzameld uit meerdere gebouwen en verdiepingen. Ze simuleerden een netwerk van tien verschillende gebruikers, waarbij elke gebruiker een telefoon vasthield met een unieke set signaalgegevens. In de echte wereld brengt één gebruiker bijvoorbeeld het grootste deel van zijn tijd door op de eerste verdieping van een bibliotheek, terwijl een ander altijd op de derde verdieping van een wetenschapsgebouw is. Deze ongelijke verdeling van gegevens, bekend als non-IID, maakt het moeilijk voor een centrale computer om het eens te worden over één enkele, nauwkeurige kaart, omdat elke gebruiker het systeem een licht afwijkende versie van de werkelijkheid probeert te leren.

Het team testte eerst een standaardmethode waarbij telefoons volledige, gedetailleerde updates versturen. Dit werkte goed wanneer de data enigszins gebalanceerd was, maar het vereiste het verzenden van ongeveer 200,33 megabyte aan gegevens over het netwerk. Vervolgens probeerden ze een nieuwe aanpak geïnspireerd door een techniek genaamd FedVote, waarbij elke telefoon in plaats van de volledige les simpelweg één bit aan informatie stuurt die aangeeft of een specifiek deel van het model moet worden aangepast naar boven of naar beneden. Dit verminderde de naar de server verzonden data tot slechts 6,26 megabyte, een enorme reductie die het netwerk licht hield. Onder omstandigheden waar de data matig ongelijkmatig was, presteerde deze eenvoudige methode net zo goed als de zware, gedetailleerde methode, waarbij het gebouw en de verdieping in bijna 91 procent van de gevallen correct werden geïdentificeerd.

Echter, de onderzoekers ontdekten dat wanneer de data extreem ongelijkmatig was — wat betekent dat elke gebruiker in een zeer specifiek, geïsoleerd deel van het gebouw vastzat — de eenvoudige één-bit methode begon te wankelen. De telefoons stuurden tegenstrijdige richtingen, en de centrale server had moeite om een duidelijk pad te vinden. Om dit op te lossen, voegde het team een stabiliserende regel toe aan het lokale trainingsproces. Deze regel moedigde elke telefoon er voorzichtig toe om dicht bij het huidige globale model te blijven, om te voorkomen dat het te ver afdwaalt in zijn eigen nauwe perspectief. Door deze stabiliserende regel te combineren met het één-bit stemmechanisme, creëerden de onderzoekers een methode die zelfs de meest moeilijke, ongelijkmatige datasituaties kon aan kunnen.

De resultaten toonden aan dat deze gecombineerde aanpak zeer effectief was. Wanneer de data sterk scheef was, slaagde de eenvoudige stemmethode alleen erin om het gebouw en de verdieping in ongeveer 69,76 procent van de gevallen correct te identificeren. Maar met de toegevoegde stabiliserende regel sprong de nauwkeurigheid naar 86,91 procent, terwijl de gegevensoverdracht op het minuscule niveau van 6,26 megabyte bleef. De onderzoekers hebben aangetoond dat het mogelijk is om hoogwaardige binnenlokalisatie te bereiken zonder het netwerk te overspoelen met data of de privacy van de gebruiker in gevaar te brengen. Hun werk suggereert dat toekomstige binnennavigatiesystemen zowel efficiënt als accuraat kunnen zijn, waarbij ze vertrouwen op eenvoudige, lichte signalen van vele apparaten om een helder beeld te vormen van een complexe binnenwereld, zonder ooit de ruwe data zelf te hoeven zien.

Technische Samenvatting: Communicatie-efficiënte FedProx-Binary FedVote voor Dual-Task Wi-Fi Fingerprinting Binnenhuislokalisatie

1. Probleemstelling

Wi-Fi fingerprinting is een veelgebruikte oplossing voor binnenhuislokalisatie omdat het gebruik maakt van bestaande toegangspunten zonder dat er extra infrastructuur nodig is. Echter, traditionele gecentraliseerde training vereist het uploaden van ruwe RSSI-gegevens (Received Signal Strength Indicator) naar een centrale server, wat aanzienlijke uitdagingen met zich meebrengt wat betreft de uplink-communicatiebandbreedte, energieverbruik en gebruikersprivacy.

Federated Learning (FL) adresseert privacyproblemen door gegevens lokaal te houden, maar standaard aggregatiemethoden zoals FedAvg vereisen nog steeds dat cliënten volledige precisie (32-bit) modelupdates verzenden. In bandbreedtebeperkte draadloze omgevingen wordt deze uplink-communicatiekost aanzienlijk, vooral naarmate het aantal cliënten en communicatierondes toeneemt. Bovendien zijn Wi-Fi fingerprint-gegevens vaak zeer heterogeen (Non-IID), waarbij verschillende cliënten (bijv. in verschillende gebouwen of verdiepingen) over verschillende gegevensdistributies beschikken. Deze "Sterke Non-IID"-setting kan leiden tot client drift, wat inconsistente lokale update-richtingen veroorzaakt die aggregatiestrategieën die vertrouwen op low-bit representaties, zoals binary voting, destabiliseren.

Dit artikel adresseert de dubbele uitdaging van het verlagen van de uplink-communicatiekosten terwijl de lokalisatienauwkeurigheid behouden blijft onder Sterke Non-IID gegevenscondities voor Building-Floor dual-task Wi-Fi fingerprint lokalisatie.

2. Methodologie

2.1 Systeemmodel en Dual-Task Formulering

De auteurs formuleren het probleem als een Building-Floor dual-task federated learning taak.

Modelarchitectuur: Er wordt een lichtgewicht dual-task Multi-Layer Perceptron (MLP) gebruikt. Deze bestaat uit een gedeelde feature extractor $g(\cdot)$ die de 520-dimensionale RSSI-vector verwerkt, gevolgd door twee taakspecifieke koppen: een Building classifier $f_b(\cdot)$ en een Floor classifier $f_f(\cdot)$ .
Verliesfunctie: De lokale verliesfunctie combineert Building en Floor classificatieverliezen, gewogen door een hyperparameter $\alpha$ (gezet op 0,7 in experimenten) om de taken te balanceren, aangezien Floor voorspelling kritischer is voor de algehele "Dual Accuracy".
Evaluatiemetriek: Dual Accuracy is de primaire metriek, gedefinieerd als het aandeel testmonsters waarbij zowel de Building als de Floor labels gelijktijdig correct worden voorspeld.

2.2 Communicatie-efficiënte Aggregatie: Binary FedVote

Om het uplink-verkeer drastisch te verminderen, hanteert het artikel een Binary FedVote-stijl aggregatiestrategie geïnspireerd op sign-gebaseerde optimalisatie.

Mechanisme: In plaats van volledige precisie modelupdates ( $\Delta_k^t$ ) te uploaden, uploaden cliënten alleen de 1-bit sign richting ( $sign(\Delta_k^t)$ ) van hun lokale updates.
Server Aggregatie: De server berekent een globale voting richting door een gewogen som van de ontvangen binaire signalen te berekenen en opnieuw de sign functie toe te passen. Het globale model wordt vervolgens bijgewerkt met deze gestemde richting en een vooraf ingestelde server stapgrootte.
Compressie: Dit reduceert de uplink-communicatie van 32 bits per parameter naar 1 bit per parameter, wat theoretisch een 32 $\times$ compressieratio oplevert vergeleken met FedAvg.

2.3 Robuustheid Verbetering: FedProx Regularisatie

De auteurs stellen vast dat Binary FedVote-stijl aggregatie instabiel is onder Sterke Non-IID condities omdat heterogene lokale gegevensdistributies conflicterende update-richtingen veroorzaken. Om dit te mitigeren zonder de communicatiekosten te verhogen, integreren zij FedProx.

Lokale Doelfunctie: Een proximale regularisatieterm $\frac{\mu}{2} \|\theta - \theta_t\|^2$ wordt toegevoegd aan de lokale trainingsdoelfunctie.
Functie: Deze term straft lokale modellen af die te ver afwijken van het huidige globale model $\theta_t$ . Door de client drift te beperken, worden de lokale update-richtingen consistenter over heterogene cliënten heen, waardoor het 1-bit voting proces aan de serverzijde wordt gestabiliseerd.
Kostenimplicatie: Omdat de geüploade informatie een 1-bit binaire data blijft, neemt de communicatiekost niet toe ondanks de toegevoegde computationele regularisatie.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

Dual-Task Formulering: Het probleem wordt geframed als een Building-Floor dual-task FL probleem, waarbij gebruik wordt gemaakt van Dual Accuracy om de gelijktijdige juistheid van beide labels te evalueren, wat strenger is dan het onafhankelijk evalueren van taken.
Binary FedVote Toepassing: De toepassing van 1-bit richting voting op federated Wi-Fi fingerprint lokalisatie. Onder Moderate Non-IID settings vermindert deze aanpak de uplink-communicatie van ~200,33 MB naar ~6,26 MB terwijl de nauwkeurigheid vergelijkbaar blijft met FedAvg.
FedProx-Enhanced Stabiliteit: Het ontwerp van een FedProx-Binary FedVote mechanisme. Deze methode verbetert de robuustheid van low-bit aggregatie onder Sterke Non-IID distributies door client drift te verminderen, waardoor het voting proces wordt gestabiliseerd zonder de uplink-bandbreedte te verhogen.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op de UJIIndoorLoc dataset met 10 cliënten, waarbij zowel Moderate als Sterke Non-IID gegevenspartities werden gesimuleerd.

4.1 Moderate Non-IID Setting

Prestaties: De Binary FedVote-stijl behaalde een Dual Accuracy van 0,9118, vergelijkbaar met FedAvg (0,9100).
Communicatie: Het uplink-verkeer werd verminderd van 200,33 MB (FedAvg) naar 6,26 MB (Binary FedVote), een 32 $\times$ compressie.
Observatie: Analyse van de confusion matrix toonde aan dat de 1-bit voting strategie het onderscheidend vermogen voor Floor classificatie behield, waarbij fouten primair optraden tussen aangrenzende verdiepingen, vergelijkbaar met de full-precision baseline.

4.2 Sterke Non-IID Setting

Baseline Prestaties: Onder Sterke Non-IID daalde de standaard FedAvg naar een gemiddelde Dual Accuracy van 0,6695. De originele Binary FedVote-stijl presteerde iets beter met 0,6976, maar bleef gevoelig voor gegevensheterogeniteit.
FedProx-Binary FedVote Prestaties: Het introduceren van de FedProx term verbeterde de stabiliteit aanzienlijk, waarbij de gemiddelde Finale Dual Accuracy steeg naar 0,8691 (met een standaarddeviatie van 0,0358).
Efficiëntie: Deze verbetering werd bereikt zonder de uplink-communicatiekosten te verhogen, die op 6,26 MB bleven (1-bit per parameter).

5. Betekenis en Claims

Het artikel claimt dat de voorgestelde FedProx-Binary FedVote methode een praktische afweging biedt tussen lokalisatieprestaties en uplink-communicatie-efficiëntie.

Communicatie-efficiëntie: Het demonstreert dat 1-bit richting voting voldoende is voor dual-task Wi-Fi fingerprint lokalisatie onder matige heterogeniteit, waarbij de bandbreedtevereisten met twee ordes van grootte worden verminderd ten opzichte van full-precision methoden.
Robuustheid: Het adresseert een kritiek gat in de bestaande literatuur door aan te tonen dat low-bit voting kan worden gestabiliseerd onder Sterke Non-IID condities door middel van lokale regularisatie (FedProx), in plaats van complexe server-side correcties of verhoogde communicatie te vereisen.
Toepasbaarheid: De methode is bijzonder relevant voor draadloze binnenhuislokalisatiescenario's waar cliënten bandbreedtebeperkt zijn en gegevensdistributies sterk heterogeen zijn (bijv. verschillende gebouwen of verdiepingen).

De auteurs concluderen dat hoewel het huidige framework zich richt op Building en Floor classificatie, toekomstig werk dit kan uitbreiden naar coördinaat regressie of complexere heterogene partities, maar de huidige studie legt een fundament voor communicatie-efficiënte, robuuste federated binnenhuislokalisatie.