[論文レビュー] Learning the Localization Function: Machine Learning Approach to Fingerprinting Localization

Linchen Xiao, Arash Behboodi+1 more|arXiv (Cornell University)|Mar 21, 2018

Speech and Audio Processing参考文献 27被引用数 13

ひとこと要約

本論文は、データ拡張とトランスファーラーニングを用いる深層学習的手法を提案し、顕著な訓練データの依存度を低減することで、RSSI測定値から位置をマッピングするためのマルチレイヤーニューラルネットワークを訓練することで、最小限のデータで顕著な性能向上を達成する。データ拡張により平均誤差が最大1.2メートルまで低減され、トランスファーラーニングの微調整により、完全な訓練に comparable な精度を、訓練データの30％のみで達成している。

ABSTRACT

Considered as a data-driven approach, Fingerprinting Localization Solutions (FPSs) enjoy huge popularity due to their good performance and minimal environment information requirement. This papers addresses applications of artificial intelligence to solve two problems in Received Signal Strength Indicator (RSSI) based FPS, first the cumbersome training database construction and second the extrapolation of fingerprinting algorithm for similar buildings with slight environmental changes. After a concise overview of deep learning design techniques, two main techniques widely used in deep learning are exploited for the above mentioned issues namely data augmentation and transfer learning. We train a multi-layer neural network that learns the mapping from the observations to the locations. A data augmentation method is proposed to increase the training database size based on the structure of RSSI measurements and hence reducing effectively the amount of training data. Then it is shown experimentally how a model trained for a particular building can be transferred to a similar one by fine tuning with significantly smaller training numbers. The paper implicitly discusses the new guidelines to consider about deep learning designs when they are employed in a new application context.

研究の動機と目的

• フィンガープリントベースのインDoorLocにおいて、訓練データベースを構築するための高コストかつ長時間の要件を軽減すること。
• 類似した建物に、最小限の再トレーニングで効率的にローカライゼーションモデルを適応させること。
• データ拡張やトランスファーラーニングといった深層学習技術が、フィンガープリントローカライゼーションのパフォーマンスをどのように向上させるかを調査すること。
• インDoorLocアプリケーションにおける深層ニューラルネットワークの配置に向けた新しい設計指針を提供すること。

提案手法

• ローカライゼーションを関数近似問題として扱い、RSSI測定値から空間的位置へのマッピングを学習するマルチレイヤーニューラルネットワークを訓練する。
• RSSIフィンガープリントを並べ替えることで合成訓練サンプルを生成するデータ拡張技術を提案し、新たな測定値を必要とせずにデータセットのサイズを拡大する。
• トランスファーラーニングを適用し、ある建物（例：0階）で事前学習したモデルを、類似した建物（例：1階）で微調整する。この際、ターゲットデータの30％のみを用いる。
• シミュレーテッドおよび実世界のUJIndoorLocデータセットを用いてモデルのパフォーマンスを評価し、平均誤差、誤差分散、および最小/最大誤差といった指標を用いる。
• 類似したインDoor環境間の構造的類似性を活用して、学習済み特徴を転送し、完全な再トレーニングの必要性を低減する。
• 推論時に計算が効率的であり、テスト時のローカライゼーションにはネットワークを一回の順伝播のみで行うため、リアルタイム応用に適している。

実験結果

リサーチクエスチョン

• RQ1 データ拡張技術は、RSSIベースのフィンガープリントローカライゼーションにおける訓練データベースのサイズを低減できるか？
• RQ2 トランスファーラーニングにより、新しい建物でその訓練データのわずかな割合のみを用いても正確なローカライゼーションが可能か？
• RQ3 ある環境で訓練された深層ニューラルネットワークのパフォーマンスは、構造的変更がわずかにある類似環境へどのように一般化されるか？
• RQ4 インDoorフィンガープリントローカライゼーションシステムへの深層ニューラルネットワークの配置にどのような設計的含意があるか？

主な発見

• データ拡張により、UJIndoorLocデータセットにおける平均ローカライゼーション誤差が、10個のフィンガープリントの並べ替えを用いて、7.62 mから6.69 mに約1メートル低減された。
• 誤差分散も43.00から38.72に低下し、予測の頑健性と一貫性が向上したことが示された。
• 0階で事前学習したモデルを1階で微調整した場合、訓練データの30％のみを用いて平均誤差8.70 mを達成し、事前学習なしの微調整（11.90 m）と同等の精度を示した。
• 事前学習なしで30％のデータのみで学習を開始した場合の平均誤差16.76 mと比較して、微調整モデルのパフォーマンスは顕著に優れていた。
• 結果から、トランスファーラーニングにより、最小限のデータで効果的なモデル更新が可能であり、類似したが新しい環境への迅速な展開が可能であることが示された。
• 推論時に計算が効率的であり、テスト時のローカライゼーションには単一の順伝播のみが必要であるため、リアルタイム応用に適している。