Towards Explainable Indoor Localization: Interpreting Neural Network Learning on Wi-Fi Fingerprints Using Logic Gates

要約

ディープラーニング（DL）を使用した屋内ローカリゼーションは、Wi-Fi RSSフィンガープリントを物理的な場所にマッピングする際に強い精度を実証しています。
ただし、ほとんどの既存のDLフレームワークはブラックボックスモデルとして機能し、予測の作成方法やモデルが実際のノイズに時間の経過とともにどのように反応するかについての洞察を限定しています。
この解釈性の欠如は、環境ダイナミクスによって引き起こされる時間的変動の影響を理解し、長期的な信頼性にモデルを適応させる能力を妨げます。
これに対処するために、DLベースの屋内ローカリゼーションを解釈および強化するために設計された新しいロジックゲートベースのフレームワークであるLogNetを紹介します。
lognetは、どのアクセスポイント（AP）が各基準点（RP）に最も影響力があるかを特定することにより、透明な推論を有効にし、環境ノイズがDL駆動型のローカリゼーションの決定をどのように破壊するかを明らかにします。
この解釈可能性により、モデルの障害を追跡および診断し、DLシステムをより安定した長期展開に適応させることができます。
複数の現実世界の建物のフロアプランと2年以上の時間的変動にわたる評価は、LogNetがDLモデルの内部動作を解釈するだけでなく、最大1.1倍から2.8倍の低いローカリゼーションエラー、3.4倍から43.3倍のモデルサイズ、1.5倍から1.5倍から3.6x低いレイテンシーを改善することを示しています。

要約(オリジナル)

Indoor localization using deep learning (DL) has demonstrated strong accuracy in mapping Wi-Fi RSS fingerprints to physical locations; however, most existing DL frameworks function as black-box models, offering limited insight into how predictions are made or how models respond to real-world noise over time. This lack of interpretability hampers our ability to understand the impact of temporal variations – caused by environmental dynamics – and to adapt models for long-term reliability. To address this, we introduce LogNet, a novel logic gate-based framework designed to interpret and enhance DL-based indoor localization. LogNet enables transparent reasoning by identifying which access points (APs) are most influential for each reference point (RP) and reveals how environmental noise disrupts DL-driven localization decisions. This interpretability allows us to trace and diagnose model failures and adapt DL systems for more stable long-term deployments. Evaluations across multiple real-world building floorplans and over two years of temporal variation show that LogNet not only interprets the internal behavior of DL models but also improves performance-achieving up to 1.1x to 2.8x lower localization error, 3.4x to 43.3x smaller model size, and 1.5x to 3.6x lower latency compared to prior DL-based models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google