[论文解读] MetaLoc: Learning to Learn Wireless Localization

Jun Gao, Dongze Wu+4 more|arXiv (Cornell University)|Nov 8, 2022

Indoor and Outdoor Localization Technologies被引用 4

一句话总结

MetaLoc 提出了一种用于无线指纹定位的元学习框架，通过利用从历史数据中学习到的元参数，实现快速适应新环境。通过采用模型无关元学习（MAML），MetaLoc 在集中式和分布式训练范式下均实现了高定位精度和样本效率，优于合成数据集和真实世界数据集上的基线方法。

ABSTRACT

Existing localization methods that intensively leverage the environment-specific received signal strength (RSS) or channel state information (CSI) of wireless signals are rather accurate in certain environments. However, these methods, whether based on pure statistical signal processing or data-driven approaches, often struggle to generalize to new environments, which results in considerable time and effort being wasted. To address this challenge, we propose MetaLoc, which is the first fingerprinting-based localization framework that leverages the Model-Agnostic Meta-Learning (MAML). Specifically, built on a deep neural network with strong representation capabilities, MetaLoc is trained on historical data sourced from well-calibrated environments, employing a two-loop optimization mechanism to obtain the meta-parameters. These meta-parameters act as the initialization for quick adaptation in new environments, reducing the need for much human effort. The framework introduces two paradigms for the optimization of meta-parameters: a centralized paradigm that simplifies the process by sharing data from all historical environments, and a distributed paradigm that maintains data privacy by training meta-parameters for each specific environment separately. Furthermore, the advanced distributed paradigm modifies the vanilla MAML loss function to ensure that the reduction of loss occurs in a consistent direction across various training domains, thus facilitating faster convergence during training. Our experiments on both synthetic and real datasets demonstrate that MetaLoc outperforms baseline methods in terms of localization accuracy, robustness, and cost-effectiveness. The code and datasets used in this study are publicly available.

研究动机与目标

• 解决在新出现的、未见过的环境中指纹定位方法泛化能力差的挑战。
• 通过利用历史数据中的先验知识，减少在每个新环境中对大量重训练和手动校准的需求。
• 开发一种灵活的、与模型无关的框架，支持元参数的集中式和隐私保护型分布式训练。
• 通过元学习优化提升定位任务中的样本效率和收敛速度。
• 在仅需极少标注数据的情况下，实现对动态或此前未见过环境的快速适应。

提出的方法

• 采用模型无关元学习（MAML）从先前校准过的环境分布中学习初始化参数（即元参数）。
• 使用两重循环优化过程：内层循环在新环境的支持集上进行微调，外层循环根据查询集上的性能更新元参数。
• 在分布式范式中引入改进的 MAML 损失函数，以确保在不同训练领域中保持一致的损失减少，从而提升收敛性。
• 支持两种训练范式：集中式（所有环境共享数据）和分布式（每个环境拥有私有数据并保障隐私）。
• 采用深度神经网络作为底层模型以表示信号特征，输入特征为接收信号强度（RSS）和信道状态信息（CSI）。
• 在推理阶段通过基于梯度的微调从元参数快速适应，仅需少量样本即可完成。

实验结果

研究问题

• RQ1 元学习能否有效应用于无线指纹定位，以实现在新环境中的快速适应？
• RQ2 MetaLoc 的分布式元学习范式如何在保护数据隐私的同时保持性能？
• RQ3 与传统指纹定位方法相比，MetaLoc 在定位精度和样本效率方面提升了多少？
• RQ4 改进的 MAML 损失函数如何在异构环境中提升收敛性和泛化能力？
• RQ5 从 3GPP 定义的环境中学习到的元参数能否泛化到真实世界 WI 定义的场景？

主要发现

• MetaLoc 在合成数据集和真实世界数据集上均显著优于基线方法，展现出在不同环境间强大的泛化能力。
• 由于元参数的快速适应，该框架显著减少了每个新环境中所需的训练样本数量。
• 在保障数据隐私的前提下，分布式范式保持了高性能，使其适用于对隐私敏感的真实世界部署场景。
• 改进的 MAML 损失函数通过强制优化方向一致，实现了在多样化训练领域中的更快、更稳定的收敛。
• 从 3GPP 定义环境中学到的元参数能有效泛化到 WI 定义的场景，验证了其可迁移性和鲁棒性。
• 代码和数据集已公开，支持可复现性，并推动元学习在无线定位领域的进一步研究。