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

Resumo Técnico: Transformer de Grafos Conforme Espacialmente Adaptativo para Localização Indoor

Definição do Problema
A localização indoor é essencial para serviços de ambientes inteligentes, como navegação e rastreamento de ativos, mas permanece um desafio devido à obstrução dos sinais do Sistema de Posicionamento Global (GPS). O Indicador de Força de Sinal Recebido (RSSI) via Wi-Fi oferece uma alternativa de baixo custo em relação à Informação de Estado do Canal (CSI), porém os métodos tradicionais baseados em RSSI, como multilateração e fingerprinting, lutam contra a atenuação do sinal, efeitos de multicaminho e flutuações dinâmicas do ambiente. Além disso, as abordagens de aprendizagem profunda existentes frequentemente tratam os dados de sinal como vetores planos, ignorando a estrutura de grafo subjacente da rede sem fio. Crucialmente, a maioria dos modelos atuais carece de um arcabouço rigoroso para quantificar a incerteza da predição, um requisito para implantações no mundo real que envolvem segurança crítica. Técnicas de estimativa de incerteza existentes, como o dropout de Monte Carlo, muitas vezes carecem de garantias estatísticas formais, e os métodos de Predição Conforme (CP) tipicamente aplicam margens de incerteza globais que falham em considerar a heterogeneidade espacial dos ambientes internos (por exemplo, comportamentos de sinal variáveis em áreas abertas versus corredores complexos).

Metodologia: O Framework SAC-GT
Os autores propõem o Transformer de Grafos Conforme Espacialmente Adaptativo (SAC-GT), um framework unificado projetado para fornecer tanto a localização de ponto de alta precisão quanto regiões de confiança específicas de cada região e estatisticamente válidas. O framework opera em três estágios:

1. Modelo Graph Transformer (GT):
   O motor central de localização modela o ambiente como um grafo onde os nós representam um usuário móvel e $m$ Pontos de Acesso (APs) de Wi-Fi. O grafo inclui dois tipos de conexões:

   • Conexões físicas: Conexões dinâmicas entre o usuário e os APs detectáveis, ponderadas pelos valores de RSSI.
   • Conexões lógicas: Conexões estáticas entre APs em proximidade física próxima, codificando a topologia espacial da infraestrutura.
     O modelo utiliza camadas de Graph Transformer empilhadas usando o operador TransformerConv com atenção de múltiplas cabeças (multi-head attention). Isso permite que o modelo agregue características de vizinhos imediatos e vizinhos de vizinhos, aprendendo um mapeamento direto de ponta a ponta da estrutura do grafo para coordenadas 2D precisas $(\hat{x}, \hat{y})$. O modelo é treinado para minimizar o Erro Médio Absoluto (MAE).

2. Predição Conforme Espacialmente Adaptativa (SACP):
   Para abordar a falta de quantificação de incerteza, os autores introduzem a SACP, um wrapper aplicado ao modelo GT. Diferente dos métodos de CP globais, a SACP particiona o ambiente interno em $k$ regiões geográficas distintas usando K-Means clustering nas coordenadas de verdade fundamental (ground truth).

   • Um conjunto de calibração é usado para calcular escores de não conformidade (distância euclidiana entre as localizações previstas e reais) para cada amostra.
   • Para cada região, os escores são ordenados e um raio de predição único ($r_k$) é calculado para satisfazer um nível de confiança desejado ($1-\alpha$).
   • Isso resulta em um conjunto de raios adaptativos, onde regiões complexas recebem margens de incerteza maiores e regiões simples recebem margens mais estreitas.

3. Estágio de Inferência:
   Para uma nova amostra de teste, o modelo GT gera uma predição de ponto. A predição é atribuída a uma região geográfica específica via o modelo K-Means treinado. O raio pré-calibrado para essa região é aplicado para gerar uma região de confiança circular centrada na localização prevista, garantindo que a localização real caia dentro do círculo com probabilidade $1-\alpha$.

Principais Contribuições

• Modelo GT Robusto: Uma arquitetura baseada em grafos que aproveita localizações espaciais fixas de AP e sinais dinâmicos de RSSI para aprender mapeamentos diretos para coordenadas 2D, capturando a topologia da rede melhor do que modelos de aprendizagem profunda de vetor plano.
• Framework SACP: Um método inovador que estende a Predição Conforme para ser espacialmente adaptativa. Ele particiona o ambiente e calibra raios de confiança únicos e estatisticamente válidos para cada zona, fornecendo estimativas de incerteza granulares adaptadas às condições locais de sinal.
• Validação Empírica: Avaliação extensiva no dataset SODIndoorLoc, demonstrando desempenho de estado da arte tanto em precisão quanto em confiabilidade.

Resultados Experimentais
O framework foi avaliado no dataset SODIndoorLoc (edifício HCXY), composto por 56 APs e mais de 11.000 amostras de treinamento.

• Precisão: O SAC-GT alcançou um Erro Mediano de 1,37 m e um MAE de 1,76 m. Isso representa uma melhoria significativa sobre o melhor baseline de Rede Neural Convolucional de Grafos (GCN), que teve um erro mediano de 2,05 m, e métodos tradicionais como Random Forest (3,20 m MAE).
• Robustez: O erro do percentil 95 para o SAC-GT foi de 4,40 m, quase metade do GCN (8,03 m) e do Random Forest (8,29 m), indicando uma manipulação superior de outliers.
• Confiabilidade Adaptativa: O framework SACP calibrou com sucesso raios distintos para cinco regiões, variando de 1,70 m (zonas de baixo erro) a 3,78 m (zonas de alta ambiguidade). O framework alcançou uma cobertura de teste global de 84,8% contra um nível de confiança alvo de 90%, confirmando sua validade estatística e adaptabilidade espacial.
• Sensibilidade de Parâmetros: Experimentos mostraram que um limiar de força de sinal ($\tau$) de -75 dBm proporcionou o equilíbrio ideal entre riqueza de características e ruído, enquanto a variação do nível de significância ($\alpha$) demonstrou que o framework mantém distinções claras entre regiões fáceis e desafiadoras através de diferentes requisitos de confiança.

Significância e Alegações
O artigo afirma que o SAC-GT aborda uma lacuna crítica na localização indoor ao ir além das predições de ponto para fornecer regiões de confiança espacialmente adaptativas e confiáveis. Os autores enfatizam que, embora modelos baseados em grafos anteriores tenham oferecido melhor precisão, eles careciam de quantificação de incerteza formal. Inversamente, métodos de incerteza existentes frequentemente aplicavam uma margem global única, ignorando a realidade de que diferentes regiões internas exibem diferentes comportamentos de sinal. Ao integrar um Transformer de Grafos com um mecanismo de Predição Conforme ciente da região, o SAC-GT entrega uma solução que não é apenas precisa, mas também confiável para implantação no mundo real, oferecendo garantias estatisticamente válidas adaptadas a condições ambientais específicas. Os autores notam modestamente uma limitação atual: o framework ainda não fornece garantias de cobertura condicional estrita por região, um foco para trabalhos futuros.