💻 computer science

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

Este artigo propõe um framework FedProx-Binary FedVote de comunicação eficiente para localização interna por impressão digital de Wi-Fi de tarefa dupla que reduz significamente a largura de banda de uplink ao transmitir direções de atualização de 1 bit, mantendo alta precisidade e robustez sob condições de dados Não-IID através de regularização FedProx.

Autores originais: Guogen Yuan, Zongchang Yang

Publicado 2026-09-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Guogen Yuan, Zongchang Yang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No zumbido silencioso de um shopping center, de um corredor de hospital ou de um campus universitário, sinais invisíveis de roteadores Wi-Fi estão constantemente ricocheteando em paredes, móveis e pessoas. Esses sinais criam um padrão único e variável de força e fraqueza em cada ponto específico, muito parecido com uma impressão digital deixada pelo próprio ar. Por décadas, engenheiros tentaram usar esses padrões para dizer a um telefone exatamente onde ele está dentro de um edifício, uma tarefa que os sistemas de posicionamento global não conseguem realizar porque o céu é bloqueado pelo telhado. A forma tradicional de construir um sistema que compreenda esses padrões envolve a coleta de milhares desses exemplos de sinais de diferentes pessoas e o envio de todos eles para um computador central. No entanto, essa abordagem levanta dois problemas significativos: ela consome muita largura de banda de internet para enviar os dados e exige que as pessoas compartilhem seu histórico de movimentos privados, algo que muitos não estão dispostos a fazer.

Para resolver isso, pesquisadores recorreram a um método chamado aprendizado federado, onde o modelo de computador viaja até os dados em vez de os dados viajarem até o computador. Nessa configuração, cada telefone aprende com seus próprios padrões de sinal locais e envia apenas as lições que aprendeu de volta para um servidor central, mantendo os dados brutos seguros no dispositivo. Embora isso proteja a privacidade, cria um novo gargalo: os telefones ainda precisam enviar resumos detalhados e volumosos de suas lições, o que pode sobrecarregar a rede. Uma equipe de pesquisadores da Universidade de Ciência e Tecnologia de Hunan desenvolveu agora uma maneira de tornar esse processo muito mais leve e robusto, permitindo que os telefones enviem suas lições como simples direções de um bit, em vez de arquivos de dados complexos e pesados, mesmo quando os dados em cada telefone são muito diferentes uns dos outros.

Os pesquisadores focaram em um desafio específico de navegação interna: saber não apenas a área geral, mas o edifício exato e o andar específico. Em complexos grandes, como universidades ou hospitais, um sistema deve identificar corretamente tanto o edifício quanto o andar para ser útil. A equipe configurou um experimento usando um conjunto de dados do mundo real de sinais de Wi-Fi coletados de múltiplos edifícios e andares. Eles simularam uma rede de dez usuários diferentes, cada um segurando um telefone com um conjunto único de dados de sinal. No mundo real, um usuário pode passar a maior parte do tempo no primeiro andar de uma biblioteca, enquanto outro está sempre no terceiro andar de um prédio de ciências. Essa distribuição desigual de dados, conhecida como non-IID, torna difícil para um computador central concordar com um mapa único e preciso, porque cada usuário está tentando ensinar ao sistema uma versão ligeiramente diferente da realidade.

A equipe testou primeiro um método padrão onde os telefones enviavam atualizações completas e detalhadas para o servidor. Isso funcionou bem quando os dados eram um tanto equilibrados, mas exigia o envio de cerca de 200,33 megabytes de dados pela rede. Eles então tentaram uma nova abordagem inspirada em uma técnica chamada FedVote, onde, em vez de enviar a lição completa, cada telefone simplesmente enviava um único bit de informação indicando se uma parte específica do modelo deveria ser ajustada para cima ou para baixo. Isso reduziu os dados enviados ao servidor para apenas 6,26 megabytes, uma redução massiva que manteve a rede leve. Sob condições em que os dados eram moderadamente desequilibrados, esse método simples teve um desempenho tão bom quanto o método pesado e detalhado, identificando corretamente o edifício e o andar em quase 91 por cento dos casos.

No entanto, os pesquisadores descobriram que, quando os dados eram extremamente desequilibrados — significando que cada usuário estava preso em uma parte muito específica e isolada do edifício — o método simples de um bit começou a tropeçar. Os telefones estavam enviando direções conflitantes, e o servidor central tinha dificuldade em encontrar um caminho claro a seguir. Para corrigir isso, a equipe adicionou uma regra de estabilização ao processo de treinamento local. Essa regra encorajava gentilmente cada telefone a permanecer próximo ao modelo global atual, evitando que ele se desviasse demais para sua própria perspectiva estreita. Ao combinar essa regra de estabilização com o sistema de votação de um bit, os pesquisadores criaram um método que poderia lidar até com os cenários de dados mais difíceis e desequilibrados.

Os resultados mostraram que essa abordagem combinada foi altamente eficaz. Quando os dados estavam fortemente enviesados, o método de votação simples sozinho conseguiu acertar o edifício e o andar cerca de 69,76 por cento das vezes. Mas com a adição da regra de estabilização, a precisão saltou para 86,91 por cento, tudo isso mantendo a transmissão de dados no nível minúsculo de 6,26 megabytes. Os pesquisadores demonstraram que é possível alcançar uma localização interna de alta precisão sem inundar a rede com dados ou comprometer a privacidade do usuário. O trabalho deles sugere que os futuros sistemas de navegação interna podem ser tanto eficientes quanto precisos, dependendo de sinais simples e leves de muitos dispositivos para construir uma imagem clara de um mundo interno complexo, sem nunca precisar ver os dados brutos em si.

Resumo Técnico: FedProx-Binary FedVote para Localização Indoor por Wi-Fi de Tarefa Dupla com Eficiência de Comunicação

1. Definição do Problema

A digitalização (fingerprinting) por Wi-Fi é uma solução amplamente utilizada para localização indoor, pois aproveita pontos de acesso existentes sem exigir infraestrutura adicional. No entanto, o treinamento centralizado tradicional exige o upload de dados brutos de Indicador de Força de Sinal Recebido (RSSI) para um servidor central, o que impõe desafios significativos em relação à largura de banda de comunicação de uplink, consumo de energia e privacidade do usuário.

O Aprendizado Federado (FL) aborda as preocupações de privacidade ao manter os dados locais, mas os métodos de agregação padrão, como o FedAvg, ainda exigem que os clientes transmitam atualizações de modelo de precisão total (32 bits). Em ambientes sem fio com largura de banda restrita, esse custo de comunicação de uplink torna-se não negligenciável, especialmente conforme o número de clientes e as rodadas de comunicação aumentam. Além disso, os dados de fingerprinting de Wi-Fi são frequentemente altamente heterogêneos (Non-IID), onde diferentes clientes (por exemplo, em diferentes edifícios ou andares) possuem distribuições de dados distintas. Este cenário de "Forte Non-IID" pode causar o desvio do cliente (client drift), levando a direções de atualização locais inconsistentes que desestabilizam estratégias de agregação baseadas em representações de baixa bitagem, como a votação binária.

Este artigo aborda o desafio duplo de reduzir os custos de comunicação de uplink mantendo a precisão de localização sob condições de dados Forte Non-IID para a localização dual de Edifício-Andar via Wi-Fi.

2. Metodologia

2.1 Modelo de Sistema e Formulação de Tarefa Dupla

Os autores formulam o problema como uma tarefa de aprendizado federado de tarefa dupla Edifício-Andar.

Arquitetura do Modelo: É empregado um Perceptron Multicamadas (MLP) de tarefa dupla leve. Ele consiste em um extrator de características compartilhado $g(\cdot)$ que processa o vetor RSSI de 512 dimensões, seguido por duas cabeças específicas de tarefa: um classificador de Edifício $f_b(\cdot)$ e um classificador de Andar $f_f(\cdot)$ .
Função de Perda: A perda local combina as perdas de classificação de Edifício e Andar, ponderadas por um hiperparâmetro $\alpha$ (definido como 0,7 nos experimentos) para equilibrar as tarefas, uma vez que a previsão do Andar é mais crítica para a "Precisão Dual" geral.
Métrica de Avaliação: A Precisão Dual é a métrica primária, definida como a proporção de amostras de teste onde ambos os rótulos de Edifício e Andar são previstos corretamente de forma simultânea.

2.2 Agregação com Eficiência de Comunicação: Binary FedVote

Para reduzir drasticamente o tráfego de uplink, o artigo adota uma estratégia de agregação do tipo Binary FedVote, inspirada na otimização baseada em sinal.

Mecanismo: Em vez de fazer o upload de atualizações de modelo de precisão total ( $\Delta_k^t$ ), os clientes fazem o upload apenas da direção do sinal de 1 bit ( $sign(\Delta_k^t)$ ) de suas atualizações locais.
Agregação do Servidor: O servidor calcula uma direção de votação global realizando uma soma ponderada dos sinais binários recebidos e aplicando novamente a função de sinal. O modelo global é então atualizado usando esta direção votada e um tamanho de passo do servidor predefinido.
Compressão: Isso reduz a comunicação de uplink de 32 bits por parâmetro para 1 bit por parâmetro, alcançando teoricamente uma taxa de compressão de 32 $\times$ em comparação ao FedAvg.

2.3 Melhoria de Robustez: Regularização FedProx

Os autores identificam que a agregação do estilo Binary FedVote é instável sob condições Forte Non-IID porque as distribuições de dados locais heterogêneas causam direções de atualização conflitantes. Para mitigar isso sem aumentar os custos de comunicação, eles integram o FedProx.

Objetivo Local: Um termo de regularização proximal $\frac{\mu}{2} \|\theta - \theta_t\|^2$ é adicionado ao objetivo de treinamento local.
Função: Este termo penaliza modelos locais que se desviam demais do modelo global atual $\theta_t$ . Ao restringir o desvio do cliente, as direções de atualização local tornam-se mais consistentes entre clientes heterogêneos, estabilizando assim o processo de votação de 1 bit no lado do servidor.
Implicação de Custo: Como a informação enviada permanece como dados binários de 1 bit, o custo de comunicação não aumenta, apesar da regularização computacional adicionada.

3. Principais Contribuições

O artigo descreve três contribuições primárias:

Formulação de Tarefa Dupla: O problema é enquadrado como um problema de FL de tarefa dupla Edifício-Andar, utilizando a Precisão Dual para avaliar a correção simultânea de ambos os rótulos, o que é mais rigoroso do que avaliar as tarefas independentemente.
Aplicação de Binary FedVote: A aplicação de votação de direção de 1 bit para localização por fingerprinting de Wi-Fi federada. Sob configurações de Moderate Non-IID, esta abordagem reduz a comunicação de uplink de ~200,33 MB para ~6,26 MB, mantendo uma precisão comparável ao FedAvg.
Estabilidade Melhorada por FedProx: O design de um mecanismo FedProx-Binary FedVote. Este método melhora a robustez da agregação de baixa bitagem sob distribuições Forte Non-IID ao reduzir o desvio do cliente, estabilizando o processo de votação sem aumentar a largura de banda de uplink.

4. Resultados Experimentais

Os experimentos foram conduzidos no conjunto de dados UJIIndoorLoc com 10 clientes, simulando partições de dados Moderate e Strong Non-IID.

4.1 Configuração Moderate Non-IID

Desempenho: O estilo Binary FedVote alcançou uma Precisão Dual de 0,9118, comparável ao FedAvg (0,9100).
Comunicação: O tráfego de uplink foi reduzido de 200,33 MB (FedAvg) para 6,26 MB (Binary FedVote), uma compressão de 32 $\times$ .
Observação: A análise da matriz de confusão mostrou que a estratégia de votação de 1 bit preservou a capacidade discriminativa para a classificação de Andar, com erros ocorrendo principalmente entre andares adjacentes, de forma semelhante à linha de base de precisão total.

4.2 Configuração Strong Non-IID

Desempenho da Linha de Base: Sob Strong Non-IID, o FedAvg padrão caiu para uma Precisão Dual média de 0,6695. O Binary FedVote original apresentou um desempenho ligeiramente superior, com 0,6976, mas permaneceu sensível à heterogeneidade dos dados.
Desempenho FedProx-Binary FedVote: A introdução do termo FedProx melhorou significativamente a estabilidade, elevando a Precisão Dual Final média para 0,8691 (com um desvio padrão de 0,0358).
Eficiência: Este melhoria foi alcançada sem aumentar o custo de comunicação de uplink, que permaneceu em 6,26 MB (1-bit por parâmetro).

5. Significância e Alegações

O artigo afirma que o método proposto FedProx-Binary FedVote oferece um compromisso prático entre o desempenho de localização e a eficiência de comunicação de uplink.

Eficiência de Comunicação: Demonstra que a votação de direção de 1 bit é suficiente para a localização por fingerprinting de Wi-Fi de tarefa dupla sob heterogeneidade moderada, reduzindo os requisitos de largura de banda em duas ordens de magnitude em comparação com métodos de precisão total.
Robustez: Aborda uma lacuna crítica na literatura existente ao mostrar que a votação de baixa bitagem pode ser estabilizada sob condições Forte Non-IID através de regularização local (FedProx), em vez de exigir correções complexas no lado do servidor ou aumento de comunicação.
Aplicabilidade: O método é particularmente relevante para cenários de localização indoor sem fio onde os clientes possuem largura de banda restrita e as distribuições de dados são altamente heterogêneas (por exemplo, diferentes edifícios ou andares).

Os autores concluem que, embora o framework atual se concentre na classificação de Edifício e Andar, trabalhos futuros poderiam estendê-lo para regressão de coordenadas ou partições heterogêneas mais complexas, mas o estudo atual estabelece uma base para a localização indoor federada robusta e com eficiência de comunicação.