[論文レビュー] Improving the Performance of Deep Learning for Wireless Localization

Ramdoot Pydipaty, Johnu George+2 more|arXiv (Cornell University)|Jun 16, 2020

Indoor and Outdoor Localization Technologies参考文献 15被引用数 4

ひとこと要約

本稿では、自動ハイパラメータ最適化と自己符号化器および単純サンプリングを用いたハイブリッドデータ拡張技術を導入することで、深層学習を用いた無線定位の性能を向上させた。実世界のBLE RSSIデータセット上で、平均定位誤差を15%（23.2 ftから19.7 ft）低減した。すべてのコードを公開しており、再現性と再利用が可能である。

ABSTRACT

Indoor localization systems are most commonly based on Received Signal Strength Indicator (RSSI) measurements of either WiFi or Bluetooth-Low-Energy (BLE) beacons. In such systems, the two most common techniques are trilateration and fingerprinting, with the latter providing higher accuracy. In the fingerprinting technique, Deep Learning (DL) algorithms are often used to predict the location of the receiver based on the RSSI measurements of multiple beacons received at the receiver. In this paper, we address two practical issues with applying Deep Learning to wireless localization -- transfer of solution from one wireless environment to another \emph{and} small size of labelled data set. First, we apply automatic hyperparameter optimization to a deep neural network (DNN) system for indoor wireless localization, which makes the system easy to port to new wireless environments. Second, we show how to augment a typically small labelled data set using the unlabelled data set. We observed improved performance in DL by applying the two techniques. Additionally, all relevant code has been made freely available.

研究の動機と目的

• 手動でのチューニングが現実的でない動的で現実世界の無線環境に深層学習モデルを導入する課題に対処すること。
• ラベル付きデータが少ない状況でのモデルの一般化性能を向上させるために、ラベルなしデータを活用してラベル付きデータを拡張すること。
• 再訓練から始めることなく、新しい屋内レイアウトに迅速かつ自動的に深層学習モデルを適応させること。
• 精度が高く、さまざまな環境で利用可能でスケーラブルなオープンソースの無線定位ソリューションを開発すること。

提案手法

• ベイズ最適化を用いて、学習率、バッチサイズ、隠れユニット数を最適化することで、RSSIに基づく定位のための深層ニューラルネットワーク（DNN）の自動ハイパラメータ最適化を実施した。
• 標準的な自己符号化器を用いて、ラベルなしRSSI測定値の分布を学習し、不足している場所のための合成サンプルを生成した。
• 各ビーコンの各場所におけるRSSI値の最小値と最大値の間で一様分布でサンプリングする単純なデータ拡張法を実装した。
• 単純な拡張法と自己符号化器ベースの拡張法を組み合わせたハイブリッド手法を採用し、ラベル付きデータの多様性とカバレッジを最大化した。
• Adam最適化子を用いて、拡張済みデータセット上でDNNを訓練・評価し、元のデータ、単純拡張済みデータ、自己符号化器拡張済みデータ、ハイブリッド拡張済みデータの各条件下での性能を比較した。
• 図書館環境で収集した実世界のBLEフィンガープrintデータセットを用いて結果を検証した。このデータセットには1420件の元のラベル付きサンプルと5191件のラベルなしサンプルが含まれていた。

実験結果

リサーチクエスチョン

• RQ1 手動でのチューニングなしに、自動ハイパラメータ最適化が無線定位における深層学習モデルの性能を向上させることができるか？
• RQ2 自己符号化器を用いた教師なしデータ拡張は、RSSIフィンガープrintにおける低データ状況でのモデル一般化性能を効果的に向上させることができるか？
• RQ3 単純な拡張法と自己符号化器ベースの拡張法を組み合わせたハイブリッド手法は、単独で使用した場合よりも優れた性能を発揮するか？
• RQ4 これらの手法は、データがスパarsityで不均衡な実世界の屋内環境において、どの程度定位誤差を低減できるか？

主な発見

• ハイブリッドデータ拡張手法により、平均定位誤差は元のデータの23.2 ftから19.7 ftに低下し、15%の改善が達成された。
• 自己符号化器ベースの拡張法単体でも、平均誤差は20.7 ftとなり、単純法（21.9 ft）を上回った。
• 単純拡張法により、ラベル付きデータセットは1420件から1608件に増加し、元のデータよりも性能が向上した。
• ハイブリッド手法により、ラベル付きデータが346件増加（単純法由来188件 + 自己符号化器由来158件）し、モデル精度の向上が最も顕著であった。
• 自動ハイパラメータ最適化の導入により、異なる屋内環境におけるモデルの迅速かつスケーラブルな適応が可能になった。
• すべてのコードとモデルをGitHubに公開しており、再現性を確保するとともに、オープンソースの無線定位分野におけるさらなる研究を可能にした。