AIBR プレミアム
拓海先生、最近部下からWiFiを使った室内位置推定の話を聞くのですが、現場で本当に使えるのかがよく分かりません。適当に導入して失敗するのは怖いのです。
素晴らしい着眼点ですね！WiFiだけでなくスマートフォンの移動データを組み合わせると、実用的な精度が出せるんです。大丈夫、一緒にやれば必ずできますよ。
なるほど、それは要するにスマホの歩数や向きのデータをWiFiの電波情報と合わせるということですか。ですがセンサーは安いものが多いと聞きます、精度はどうなのでしょうか。
いい質問ですね。要点を3つにまとめます。1つ目は、移動の連続性をグラフ構造に変換することでノイズに強くなること、2つ目は直進などの動きで別のグラフを作り情報を増やすこと、3つ目は少ないラベルでも学習できる点です。
グラフ構造ですか。それは具体的に現場でどう作るのですか。現場担当ができる作業なのか、外注が必要か気になります。
とても実務的な視点で素晴らしい着眼点ですね。現場はこう動けば良いです。短く言うと、スマホの測定点を点（ノード）にして、時間で隣接する点をつなぐグラフと、向きが揃う点をつなぐ別のグラフを用意すれば良いです。現場でできる作業は測定データの収集だけで、グラフ化や学習はクラウドや外注で対応できますよ。
これって要するに、歩きながら取ったデータのつながりを学習させることで、個々のWiFi測定のブレを補正するということ？
その通りです！素晴らしい要約ですね。具体的には、時間で連なるグラフと方向で連なるグラフの両方を使って情報を補完し、さらにノード間の距離の規則性を損失関数に入れて精度を上げます。
なるほど、では精度の実績はどれほど期待できるのですか。投資対効果が見えないと決裁に回せません。
良い問いですね。簡潔に言えば、純粋なWiFiだけよりは有意に改善します。試験では平均二乗誤差のルート（Root Mean Square Error, RMSE）で、自己教師あり学習と半教師あり学習で1.398メートルと1.073メートルという結果が示されています。現場では一歩の誤差がどれだけ許容できるかで価値が決まります。
分かりました。最後に私がまとめて報告しますので、要点を3つだけ簡潔に教えてください。
素晴らしい決断です。要点3つです。1つ目、移動をグラフにして学習することでWiFi単独より精度が上がること。2つ目、方向に着目した別グラフで情報を増やせること。3つ目、半教師ありや自己教師ありでラベルが少なくても運用可能であること。大丈夫、一緒に進めれば現場導入は可能です。
分かりました。自分の言葉で言うと、移動のつながりを利用する新しい学習法でWiFiのばらつきを補正し、少ない現場ラベルでも精度を出せるということですね。報告に使わせてもらいます。
