MTLoc: A Confidence-Based Source-Free Domain Adaptation Approach for Indoor Localization
Notice bibliographique
Résumé
Indoor localization using radio-frequency identification (RFID) has benefited from deep learning, yet models trained in a labeled source environment often degrade when deployed in a different, unlabeled target environment. Unsupervised domain adaptation (UDA) aims to mitigate this distribution shift by aligning a source-trained model with target-domain data. In practice, the source dataset is frequently unavailable at adaptation time due to privacy and resource constraints. This motivates source-free domain adaptation (SFDA); however, most SFDA methods have been developed for classification, and extending them to indoor localization (regression) is challenging, especially when target datasets are small and noisy. Motivated by above limitations, we introduce MTLoc, a source-free mean-teacher approach for indoor localization. MTLoc includes a student and a teacher network: the student network is updated using noisy target data with teacher-generated pseudo-labels. The teacher network maintains stability through exponential moving averages. To further ensure robustness, we propose a correction mechanism in which the teacher’s pseudo-labels are refined using k-nearest neighbor correction. MTLoc allows for self-supervised learning on target data, facilitating effective adaptation to dynamic and noisy indoor environments. Validated using real-world data from our experimental setup with INLAN Inc., our results1show that MTLoc achieves high localization accuracy under challenging conditions, significantly reducing distance error compared to baselines. On average, it reduces MAE (d) by 20.0% on Cross and 22.5% on Square datasets. With confidence correction, these improvements reach 23.9% and 28.2% respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».