Active learning for efficient data selection in radio-signal based positioning via deep learning

要約

深層学習を介して無線信号に基づくユーザー機器 (UE) の測位の問題を考察します。
ほとんどの教師あり学習タスクと同様に、重要な側面は、モデルをトレーニングするために関連するデータセットが利用できるかどうかです。
ただし、セルラー ネットワークでは、データ収集ステップにより高い通信オーバーヘッドが発生する可能性があります。
結果として、必要なデータセットのサイズを減らすために、ラベルを付けてトレーニングに使用する位置を慎重に選択すると興味深い場合があります。
そこで、効率的なデータ収集のためのアクティブラーニングアプローチを提案します。
まず、ジニーを使用すると、考慮されている測位問題に対して (測位精度と必要なデータセットのサイズの両方の点で) 大幅なゲインが得られることを示します。
これは、測位に対するアクティブ ラーニングの関心を裏付けています。
次に、この魔神を近似する \textcolor{blue}{実用的な} 方法を提案します。

要約(オリジナル)

We consider the problem of user equipment (UE) positioning based on radio signals via deep learning. As in most supervised-learning tasks, a critical aspect is the availability of a relevant dataset to train a model. However, in a cellular network, the data-collection step may induce a high communication overhead. As a result, to reduce the required size of the dataset, it may be interesting to carefully choose the positions to be labelled and to be used in the training. We therefore propose an active learning approach for efficient data collection. We first show that significant gains (both in terms of positioning accuracy and size of the required dataset) can be obtained for the considered positioning problem using a genie. This validates the interest of active learning for positioning. We then propose a \textcolor{blue}{practical} method to approximate this genie.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google