[論文レビュー] Transfer Learning-Based Outdoor Position Recovery with Telco Data

Yige Zhang, Aaron Yi Ding+5 more|arXiv (Cornell University)|Dec 10, 2019

Indoor and Outdoor Localization Technologies参考文献 35被引用数 4

ひとこと要約

本稿では、通信測定レポート（MR）データを用いた屋外モバイルデバイスの局所化のための、転移学習に基づくフレームワークTLocを提案する。相対座標空間、ドメイン類似度測定、構造的転移学習を活用することで、データ豊富なソースドメインからデータが乏しいターゲットドメインへ正確な局所化モデルを転送し、上海の2Gおよび4Gデータセットにおいて、最先端手法と比較して中央値の局所化誤差を最大49.22%まで低減する。

ABSTRACT

Telecommunication (Telco) outdoor position recovery aims to localize outdoor mobile devices by leveraging measurement report (MR) data. Unfortunately, Telco position recovery requires sufficient amount of MR samples across different areas and suffers from high data collection cost. For an area with scarce MR samples, it is hard to achieve good accuracy. In this paper, by leveraging the recently developed transfer learning techniques, we design a novel Telco position recovery framework, called TLoc, to transfer good models in the carefully selected source domains (those fine-grained small subareas) to a target one which originally suffers from poor localization accuracy. Specifically, TLoc introduces three dedicated components: 1) a new coordinate space to divide an area of interest into smaller domains, 2) a similarity measurement to select best source domains, and 3) an adaptation of an existing transfer learning approach. To the best of our knowledge, TLoc is the first framework that demonstrates the efficacy of applying transfer learning in the Telco outdoor position recovery. To exemplify, on the 2G GSM and 4G LTE MR datasets in Shanghai, TLoc outperforms a nontransfer approach by 27.58% and 26.12% less median errors, and further leads to 47.77% and 49.22% less median errors than a recent fingerprinting approach NBL.

研究の動機と目的

• 特定の都市部において、地理的位置タグが付与された測定レポート（MR）サンプルが不足しているため、屋外テレコムネットワークにおける局所化精度が低いという課題に対処すること。
• 正確な局所化モデルを訓練するための十分なMRサンプルを収集するのにかかる高コストを克服すること。
• 再訓練から始めることなく、データ豊富なソースドメインからデータが乏しいターゲットドメインへ知識を転送し、局所化パフォーマンスを向上させること。
• 屋外テレコム局所化における効果的な転移学習を可能にするために、新しい座標空間と類似度メトリクスを設計すること。

提案手法

• サービス基地局を中心とした相対座標空間を導入することで、ドメイン間で一貫した表現を実現し、知識の転送を容易にする。
• 信号強度のパターンと地理的近接性に基づくドメイン類似度メトリクスを提案し、転送に最も適したソースドメインを特定する。
• 事前に学習されたランダムフォレスト回帰モデルを、ターゲットドメインデータを用いて再推定された意思決定木のノード閾値で微調整する、構造的転移学習（STL）の適応。
• 局所化モデリングと標的の転移学習を可能にするために、関心領域を細分化されたサブ領域（ドメイン）に分割する。
• 空間分解能とモデル一般化のバランスをとるために、グリッドベースの表現（パラメータgでパrameter化）を用いてドメインを離散化する。
• MR特徴量（例：信号強度）から各ドメイン内での地理的位置へのマッピングを学習するため、RaFベースの回帰モデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 データが乏しい地理的領域において、転移学習は屋外テレコム位置特定の性能を効果的に向上させることができるか？
• RQ2 屋外テレコム局所化における異なる地理的ドメイン間で知識転送を可能にするために、一貫性のある座標空間をどのように設計できるか？
• RQ3 多様な都市環境において、転移学習のための最も適したソースドメインを選定する基準として何を用いることができるか？
• RQ4 非転移学習およびフィンガープrintベースのベースラインと比較して、転移学習はどれほど局所化誤差を低減するか？

主な発見

• TLocは、上海の2G GSMおよび4G LTEデータセットにおいて、非転移学習ベースラインと比較して、中央値の局所化誤差をそれぞれ27.58%および26.12%低減する。
• TLocは、最近のフィンガープリントアプローチNBLと比較して、2Gおよび4Gデータセットにおいて中央値誤差をそれぞれ47.77%および49.22%低減する。
• 提案されたドメイン類似度メトリクスは、多様な都市サブエリアにわたり、関連するソースドメインを効果的に同定し、転送パフォーマンスの向上に寄与する。
• TLocは、基地局の移転やハードウェアのアップグレードに対しても、転移学習によるモデル適応によって、頑健性を示す。
• ベースライン手法が十分な訓練データが不足するため失敗する農村部や信号密度が低い地域でも、TLocは強力なパフォーマンスを維持する。
• 可視化結果から、TLocが生成するトラジェクトリは道路セグメントに忠実に従うのに対し、非転移手法では顕著な位置ずれが見られる。