Federated Learning based RSSI Fingerprinting Indoor Localization System via Neural Networks Uncertainty

Abstract

Indoor localization has received much attention in application of wireless communication networks. Fingerprinting techniques can provide low-cost and high accuracy indoor positioning infrastructure as a solution. As the advancement of computing system, deep neural networks can organize this indoor localization system more speedy and handy. Indoor localization technology based on federated learning~(FL) schemes takes advantage of crowdsourced data collection to enable decentralized learning. One challenge of the FL approach is how contributions from various agents are weighted.

In this thesis, we propose a novel weight update method that accounts for the reliability of the local clients in FL-based indoor localization. FL shows degraded localization performance than centralized learning because of the non-independent and identically distributed (non-IID) data configuration. Thus, we aim to improve the localization performance by applying the reliability of the local clients, which is quantified by the model uncertainty of the local models. Bayesian models provide a framework for capturing model uncertainty but usually requires a substantial computational cost as well, particularly for high-dimensional learning problems. In order to resolve this computational issue, the proposed scheme applies Monte Carlo~(MC) dropout to approximate the Bayesian uncertainty quantification with enhanced computational efficiency.

The research motivation and related works of fingerprinting, overview of FL, concept of uncertainty in neural networks are reviewed in introduction. With experimental results, trilateration and deep neural networks~(DNN) based localization performance is compared. And additional simulation is described for FL based localization. In the uncertainty analysis section, uncertainty in Bayesian neural networks~(BNN) and dropout as a Bayesian approximation is described. The last chapter explains the proposed algorithm with the previous chapters integrated, model reliability applied FL based indoor localization system.|핑거프린팅기법을 이용한 실내 측위는 저비용의 이점으로 무선통신 분야에서 실내 측위 인프라를 형성할 수 있다. 이와 병행하여 컴퓨팅 시스템의 발전으로 심층 신경망은 이 실내 측위 시스템을 보다 빠르고 향상된 정확도를 제공할 수 있다. 연합학습을 기반한 실내 측위 기술은 개별화된 데이터 수집을 활용하여 분산 학습을 가능하게 한다. 이 연합학습의 한 가지 과제는 다양한 사용자들의 기여도에 따른 적절한 부여를 통해 중앙집중형 학습에 근접된 성능 향상이다. 본 논문에서는 연합학습 기반의 사용자의 불확실성 정량화를 이용하여 새로운 가중치 합산 방식이 적용된 실내측위 기법을 제안한다. 베이지안 모델은 사용자 모델의 불확실성을 정량화하기 위한 프레임워크를 제공하지만 일반적으로 고차원 학습에 대해서는 상당한 계산 비용이 요구된다. 이를 해결하기 위해 몬테 카를로 드랍아웃을 적용하여 향상된 계산 효율성으로 베이지안 불확실성 정량화를 근사화한다. 서론에서는 연구 동기와 핑거프린팅, 연합학습 및 심층 신경망의 불확실성의 개념을 다룬다. 그리고 실험을 통한 삼변측량 기법과 딥러닝 방식의 실내 측위 정확도를 비교하고, 연합학습을 이용한 실내 측위의 시뮬레이션 결과를 확인한다. 불확실성 분석 장에서는 베이지안 심층 신경망과 드랍아웃을 이용한 베이지안 근사화에 대해 설명한다. 마지막 장에서는 이전 장에 기술된 연합학습과 불확실성 정량화를 통합하여 제안하는 알고리즘인 모델의 신뢰도를 고려한 연합학습 기반 실내 측위 시스템을 기술하였다.