Core Concepts
SANGRIA combines stacked autoencoder neural networks with gradient boosted trees to address device heterogeneity in indoor localization, resulting in significantly lower average localization errors.
Abstract
屋内ロケーションのためのSANGRIAは、スタックされたオートエンコーダーニューラルネットワークと勾配ブースティング木を組み合わせて、デバイスの異質性に対処し、平均ロケーションエラーを大幅に低減します。このアプローチは、屋内環境での無線信号測定に不確実性をもたらすデバイスの異質性課題を克服することを目的としています。論文では、様々な建物で収集されたデータに基づいてSANGRIAが他のフレームワークよりも優れた汎用性を示し、最大74%までのエラー削減が観察されました。
Stats
SANGRIAは、様々な屋内場所と異種デバイス間で平均42.96%低いロケーションエラーを示しました。
SAEは訓練データを倍増させる効果的な手法です。
平均推論時間はSANGRIAが約13.3msで最速です。
Quotes
"We propose a novel fingerprinting-based framework for indoor localization called SANGRIA that uses stacked autoencoder neural networks with gradient boosted trees."
"Our approach is designed to overcome the device heterogeneity challenge that can create uncertainty in wireless signal measurements across embedded devices used for localization."
"SANGRIA shows 28% to 66% improvements in mean, and 42% to 74% maximum error reduction, compared to the other frameworks."