Communication-Efficient FedProx-Binary FedVote for Dual-Task Wi-Fi Fingerprint Indoor Localization
本文提出了一种用于双任务 Wi-Fi 指纹室内定位的通信高效型 FedProx-Binary FedVote 框架，该框架通过传输 1 比特更新方向显著降低了上行带宽，并通过 FedProx 正则化在强非独立同分布（Non-IID）数据条件下保持了高精度和高鲁棒性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在购物中心、医院走廊或大学校园那静谧的喧嚣中，来自 Wi-Fi 路由器的无形信号不断地在墙壁、家具和人身上弹跳。这些信号在每个特定位置都创造出一种强度与弱度交替变化的独特模式，就像是空气留下的指纹一样。几十年来，工程师们一直试图利用这些模式来告诉手机它在建筑内部的确切位置，而全球定位系统（GPS）由于受到屋顶的阻挡无法做到这一点。构建一个理解这些模式的系统的传统方法是收集来自不同人群的数千个此类信号样本，并将它们全部发送到一台中央计算机。然而，这种方法引发了两个显著的问题：它消耗了大量的互联网带宽来传输数据，并且要求人们分享他们的私人移动轨迹，而许多人并不愿意这样做。
为了解决这个问题，研究人员转向了一种被称为“联邦学习”的方法，即让计算机模型去寻找数据，而不是让数据去寻找计算机。在这种设置下，每部手机都从自身的局部信号模式中学习，并仅将学到的经验传回中央服务器，从而将原始数据安全地保留在设备上。虽然这保护了隐私，但也创造了一个新的瓶颈：手机仍然需要发送详细且庞大的经验总结，这可能会堵塞网络。来自湖南理工学院的一个研究团队现在开发出一种方法，使这个过程变得更加轻量且更具鲁棒性，允许手机将它们的经验作为简单的“一比特方向”而非复杂的、沉重的数据文件进行发送，即使每部手机上的数据彼此差异巨大。
研究人员专注于室内导航中的一个特定挑战：不仅要了解大致区域，还要准确识别具体的建筑和楼层。在像大学或医院这样的大型综合体中，系统必须同时正确识别建筑和楼层才具有实用价值。该团队使用了一个包含多个建筑和楼层的真实世界 Wi-Fi 信号数据集进行了实验。他们模拟了一个由十个不同用户组成的网络，每个用户都持有一部拥有独特信号数据的数据集。在现实世界中，一名用户可能大部分时间都在图书馆的一层，而另一名用户则总是在科学楼的三层。这种数据分布不均的情况被称为非独立同分布（non-IID），它使得中央计算机难以达成一致，从而形成一张单一且准确的地图，因为每个用户都在试图向系统传达一个略微不同的现实版本。
团队首先测试了一种标准方法，即手机发送完整的、详细的更新。当数据相对平衡时，这种方法效果良好，但它需要通过网络发送约 200.33 MB 的数据。随后，他们尝试了一种受名为 FedVote 的技术启发的新方法，即每部手机不再发送完整的教训，而只是发送一个比特的信息，指示模型的特定部分应该向上还是向下调整。这使得发送到服务器的数据量减少到了仅 6.26 MB，实现了大幅度的缩减，保持了网络的轻量化。在数据分布中度不均的情况下，这种简单的法表现得与沉重的详细方法同样出色，在近 91% 的案例中正确识别了建筑和楼层。
然而，研究人员发现，当数据极其不均匀时——即每个用户都困在建筑中某个非常特定、孤立的部分时——这种简单的“一比特”方法开始出现问题。手机发送着相互冲突的方向，中央服务器难以找到清晰的前进路径。为了解决这个问题，团队在局部训练过程中加入了一条稳定规则。这条规则温和地鼓励每部手机保持靠近当前的全局模型，防止其过度偏向于自身狭隘的视角。通过将这种稳定规则与一比特投票系统相结合，研究人员创造出了一种能够处理即使是最困难、最不均匀数据场景的方法。
结果表明，这种结合的方法非常有效。当数据高度倾斜时，单纯的投票法只能在约 69.76% 的情况下正确识别建筑和楼层。但在加入了稳定规则后，准确率跃升至 86.91%，同时仍将数据传输量维持在极小的 6.26 MB 水平。研究人员证明，实现高精度的室内定位是不需要用数据淹没网络或牺牲用户隐私的。他们的工作表明，未来的室内导航系统可以既高效又准确，依靠来自许多设备的简单、轻量级信号，在无需看到原始数据本身的情况下，构建出一个复杂室内世界的清晰图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。