[논문 리뷰] Transfer Learning-Based Outdoor Position Recovery with Telco Data

Yige Zhang, Aaron Yi Ding외 5명|arXiv (Cornell University)|2019. 12. 10.

Indoor and Outdoor Localization Technologies참고 문헌 35인용 수 4

한 줄 요약

이 논문은 통신 측정 보고서(MR) 데이터를 활용한 외부 이동 단말기 위치 추정을 위한 전이 학습 기반 프레임워크인 TLoc을 제안한다. 상대 좌표 공간, 도메인 유사도 측정, 구조적 전이 학습을 활용하여 데이터가 풍부한 소스 도메인에서 데이터가 부족한 타겟 도메인으로 정확한 위치 추정 모델을 전이함으로써, 上海의 2G 및 4G 데이터셋에서 최신 기술 대비 최대 49.22%까지 중앙값 오차를 감소시킨다.

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.

연구 동기 및 목표

• 일부 도시 지역에서 지리적 태그가 부착된 측정 보고서(MR) 샘플이 부족하여 발생하는 외부 통신망(Telco) 위치 추정 정확도 저하 문제를 해결한다.
• 정확한 위치 추정 모델을 훈련하기 위해 필요한 충분한 MR 샘플 확보에 따른 높은 데이터 수집 비용을 완화한다.
• 재학습 없이도 데이터가 풍부한 소스 도메인에서 데이터가 부족한 타겟 도메인으로 지식을 전이하여 위치 추정 성능을 향상시킬 수 있도록 한다.
• 외부 통신망 위치 추정에서 효과적인 전이 학습을 지원하기 위해 새로운 좌표 공간과 유사도 측정 기준을 설계한다.

제안 방법

• 서비스 기지국을 중심으로 한 상대 좌표 공간을 도입하여 다양한 도메인 간 일관된 표현을 가능하게 하여 지식 전이를 촉진한다.
• 신호 세기 패턴과 지리적 근접도를 기반으로 한 도메인 유사도 측정 기준을 제안하여 전이에 가장 적합한 소스 도메인을 식별한다.
• 구조적 전이 학습(STL)을 적응시켜 사전 훈련된 랜덤 포레스트 회귀 모델을 타겟 도메인 데이터를 사용해 결정 트리 노드 임계값을 재추정함으로써 보정한다.
• 관심 영역을 세밀한 하위 영역(도메인)으로 나누어 국소화된 모델링과 타겟된 전이 학습을 가능하게 한다.
• 공간 해상도와 모델 일반화 간 균형을 맞추기 위해 격자 기반 표현(g로 매개변수화)을 사용하여 도메인을 이산화한다.
• RaF 기반의 회귀 모델을 적용하여 각 도메인 내에서 MR 특징(예: 신호 세기)에서 지리적 위치로의 매핑을 학습한다.

실험 결과

연구 질문

• RQ1 제한된 지리적 태그가 부착된 MR 샘플이 있는 지역에서 전이 학습이 외부 통신망(Telco) 위치 복원을 효과적으로 향상시킬 수 있는가?
• RQ2 외부 통신망 위치 추정에서 다양한 지리적 도메인 간 지식 전이를 가능하게 하기 위해 일관된 좌표 공간을 어떻게 설계할 수 있는가?
• RQ3 이질적인 도시 환경에서 전이 학습을 위한 가장 적합한 소스 도메인을 선택하는 데 사용할 수 있는 기준은 무엇인가?
• RQ4 비전이 학습 및 지문 기반 기준 대비 전이 학습이 위치 추정 오차를 얼마나 줄이는가?

주요 결과

• TLoc는 상하이의 2G GSM 및 4G LTE 데이터셋에서 비전이 학습 기준 대비 각각 27.58% 및 26.12%의 중앙값 오차 감소를 달성한다.
• TLoc는 최근의 지문 기반 접근 방식인 NBL보다 2G 및 4G 데이터셋에서 각각 47.77% 및 49.22% 낮은 중앙값 오차를 기록한다.
• 제안된 도메인 유사도 측정 기준은 관련성이 높은 소스 도메인을 효과적으로 식별하여 다양한 도시 하위 영역에서의 전이 성능 향상을 이룬다.
• 기지국 이전 및 하드웨어 업그레이드에 대해 전이 학습을 통한 모델 적응 기능 덕분에 TLoc는 뛰어난 내구성을 보인다.
• 기준 방법이 훈련 데이터가 부족하여 실패하는 농촌 또는 신호 밀도가 낮은 지역에서도 TLoc는 강력한 성능을 유지한다.
• 시각화 결과는 TLoc가 생성한 궤적의 경우 도로 세그먼트를 정확히 따라가는 반면, 비전이 방법은 심각한 위치 이탈을 보임을 보여준다.