.jpg?fm=webp&w=400&q=50 "First Place Win at the ACM SRC")
First Place Win at the ACM SRC
Associate Professor Hamada Rizk's team won a gold medal at the ACM SIGSPATIAL Student Research Competition.
Publications & Talks Awards
International Conference · 2024
SimDeep: An Efficient Federated Learning Indoor Localization System with Similarity Aggregation Strategy
Abstract
Indoor localization is critical for enabling a wide range of location-based services such as navigation, security, and contextual computing in complex indoor environments. Despite significant advances, the deployment of indoor localization systems in real-world settings remains limited due to challenges posed by non-independent and identically distributed (non-IID) data and device heterogeneity. In this paper, we propose SimDeep, a novel Federated Learning (FL) framework designed to tackle these challenges. SimDeep introduces a Similarity Aggregation Strategy to aggregate model updates based on client similarity, thereby effectively addressing the non-IID issue. Experimental results demonstrate that SimDeep achieves 92.89% accuracy, outperforming traditional federated and centralized techniques, making it a promising solution for practical deployment.
Research Note
屋内測位はナビゲーションやセキュリティ、文脈に応じたサービスの基盤になりますが、研究が進んだわりに実際の環境への導入は限られています。理由の一つが、利用者ごとに集まるデータの分布が揃わないこと、いわゆる非 IID の問題で、もう一つが端末の機種による測定値のばらつきです。
これらはいずれも、データを持ち寄らずに学習する連合学習で顕在化します。連合学習では各利用者の端末で学習したモデルの更新分をサーバ側でまとめますが、単純に平均すると、性質の違うデータから来た更新どうしが打ち消し合って精度が落ちてしまうためです。
本研究の SimDeep は、この統合の仕方に手を入れています。更新分を一律に平均するのではなく、クライアントどうしの似かよいに応じて重みを付けて統合する方式を導入することで、分布の違いが精度を損なわないようにしました。
実験では 92.89% の精度を達成し、従来の連合学習による手法だけでなく、データを一箇所に集める集中型の手法も上回りました。
Related Lab Activities
