Collaboratief leren voor draadloze indoor netwerken
Een nieuwe benadering past in-context leren toe op het in kaart brengen van radiogolven binnen gebouwen. Hierdoor is minder gelabelde data nodig en blijft gevoelige locatie-informatie beschermd.
Het in kaart brengen van radiosignalen binnen gebouwen is complex en vereist doorgaans veel handmatig gelabelde data en specifieke modeltraining. Omdat dergelijke omgevingen vaak privacygevoelige gegevens over gebouwstructuren bevatten, is het lastig om al deze informatie centraal te verwerken.
Met een nieuwe formulering als samenwerkend leervraagstuk wordt geprobeerd om deze obstakels te omzeilen. Dit maakt het mogelijk om draadloze netwerken efficiënter te analyseren met minder afhankelijkheid van gecentraliseerde en dure trainingsdata.
Draadloze toepassingen
Dergelijke technieken spelen een rol bij de uitrol en optimalisatie van binnenshuis netwerken, waar gps-signalen vaak wegvallen. Door machine learning in te zetten voor signaalvoorspelling, kunnen systemen zich sneller aanpassen aan veranderende ruimtelijke situaties.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel