Core Concepts
대규모 무표지 데이터를 활용한 자기지도 학습 기술을 통해 제한적인 표지 데이터 환경에서도 효과적인 사용자 위치 추정이 가능하다.
Abstract
이 연구는 사용자 위치 추정을 위해 대규모 무표지 데이터를 활용한 자기지도 학습 기술을 제안한다. 기존 연구들은 대량의 표지 데이터에 의존하는 한계가 있었지만, 본 연구에서는 무표지 데이터를 활용한 사전 학습 모델을 통해 제한적인 표지 데이터 환경에서도 우수한 성능을 달성할 수 있음을 보여준다.
구체적으로 다음과 같은 내용을 다룬다:
무표지 데이터를 활용한 자기지도 학습 기반 사전 학습 모델 개발
MLP 기반 및 CNN 기반 자동인코더 모델 설계
무표지 데이터로부터 CSI 특징 표현 학습
사전 학습 모델의 인코더 부분을 활용하여 제한적인 표지 데이터에 대한 사용자 위치 추정 모델 학습
MLP 기반 위치 추정 모델 구현
실험 결과 분석
자기지도 학습 기반 사전 학습 모델이 표지 데이터만을 활용한 모델 대비 우수한 성능 달성
CNN 기반 모델이 MLP 기반 모델보다 더 효과적인 것으로 나타남
이 연구는 대규모 무표지 데이터를 활용한 자기지도 학습의 잠재력을 보여주며, 제한적인 표지 데이터 환경에서도 효과적인 사용자 위치 추정이 가능함을 입증한다.
Stats
사용자 위치 추정 오차(MAE)가 x축 18.4095m, y축 21.2148m, z축 10.9803m로 평균 16.8682m
사용자 위치 추정 오차(RMSE)가 x축 29.4605m, y축 31.4541m, z축 12.9957m로 평균 26.1507m
Quotes
"자기지도 학습 기술은 대규모 무표지 데이터로부터 CSI 특징 표현을 학습할 수 있어, 제한적인 표지 데이터 환경에서도 우수한 사용자 위치 추정 성능을 달성할 수 있다."
"CNN 기반 모델이 MLP 기반 모델보다 공간적 관계를 더 효과적으로 포착할 수 있어, 사용자 위치 추정 성능이 우수한 것으로 나타났다."