FedWiLoc: Federated Learning for Privacy-Preserving WiFi Indoor Localization
作者: Kanishka Roy, Tahsin Fuad Hasan, Chenfeng Wu, Eshwar Vangala, Roshan Ayyalasomayajula
分类: cs.CR, eess.SP, eess.SY
发布日期: 2025-12-20
💡 一句话要点
FedWiLoc：基于联邦学习的隐私保护Wi-Fi室内定位系统
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 联邦学习 室内定位 Wi-Fi定位 隐私保护 信道状态信息 几何损失函数
📋 核心要点
- 现有Wi-Fi室内定位系统在用户隐私保护、动态多径环境下的精度和跨环境泛化能力方面存在不足。
- FedWiLoc通过分离架构、联邦学习和几何损失函数，在保护用户隐私的前提下，提升定位精度和泛化能力。
- 实验结果表明，FedWiLoc在多个室内环境中显著优于现有方法，定位误差中位数降低高达61.9%。
📝 摘要（中文）
当前基于数据的Wi-Fi室内定位系统面临三大挑战：保护用户隐私、在动态多径环境中实现准确预测以及跨不同部署的泛化能力。传统的Wi-Fi定位系统通常会损害用户隐私，尤其是在面对受损的接入点(AP)或中间人攻击时。随着物联网设备在室内环境中激增，开发能够在稳健保护隐私的同时提供精确定位的解决方案已变得势在必行。我们引入了FedWiLoc，这是一种隐私保护的室内定位系统，通过三个关键创新来应对这些挑战。首先，FedWiLoc采用了一种分离式架构，其中AP在本地处理信道状态信息(CSI)，并且仅将保护隐私的嵌入向量传输到用户设备，从而防止原始CSI暴露。其次，在训练期间，FedWiLoc使用联邦学习来跨AP协作训练模型，而无需集中敏感的用户数据。第三，我们引入了一种几何损失函数，该函数共同优化到达角预测和位置估计，从而增强了几何一致性，以提高在具有挑战性的多径条件下的准确性。在跨越2000平方英尺的六个不同室内环境中的广泛评估表明，FedWiLoc在保持训练和推理过程中的强大隐私保证的同时，其定位误差中位数比最先进的方法提高了高达61.9%。
🔬 方法详解
问题定义：论文旨在解决Wi-Fi室内定位中用户隐私泄露、多径效应干扰以及模型泛化能力差的问题。现有方法通常需要集中式数据处理，容易遭受隐私攻击，并且在复杂室内环境中定位精度较低，难以适应新的部署环境。
核心思路：论文的核心思路是利用联邦学习在保护用户隐私的前提下，让各个接入点(AP)协同训练定位模型。通过分离AP端的CSI处理和用户端的位置预测，以及引入几何损失函数，提高定位精度和鲁棒性。
技术框架：FedWiLoc系统的整体架构包含以下几个主要模块：1) AP端CSI处理：AP在本地提取CSI特征，并生成隐私保护的嵌入向量。2) 联邦学习训练：各个AP使用本地数据进行模型训练，并通过联邦平均等算法进行全局模型更新。3) 用户端定位：用户设备接收来自AP的嵌入向量，并利用训练好的模型进行位置估计。4) 几何损失优化：在模型训练过程中，引入几何损失函数，联合优化到达角预测和位置估计。
关键创新：该论文的关键创新在于：1) 提出了一种分离式架构，将CSI处理放在AP端，避免了原始CSI数据的泄露。2) 采用联邦学习，实现了在不共享用户数据的前提下进行模型训练。3) 引入了几何损失函数，利用到达角信息约束位置估计，提高了定位精度。与现有方法的本质区别在于，FedWiLoc在保证隐私的同时，实现了更高的定位精度和更好的泛化能力。
关键设计：在AP端，CSI数据被处理成低维嵌入向量，以保护隐私。联邦学习采用联邦平均算法，控制本地训练的轮数和学习率，以保证模型收敛。几何损失函数结合了到达角预测误差和位置估计误差，通过调整权重参数来平衡两者之间的影响。具体的网络结构（例如，用于CSI嵌入和位置预测的神经网络）和参数设置（例如，学习率、批大小）需要根据实际环境进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，FedWiLoc在六个不同的室内环境中，相比于最先进的方法，定位误差中位数降低了高达61.9%。这一显著的性能提升证明了FedWiLoc在隐私保护和定位精度方面的优势。此外，实验还验证了FedWiLoc在不同环境下的泛化能力，表明该系统具有良好的实际应用潜力。
🎯 应用场景
FedWiLoc可应用于各种室内定位场景，如智能家居、智慧办公、商场导航、仓储管理等。该研究的实际价值在于，它能够在保护用户隐私的前提下，提供高精度的室内定位服务，从而促进物联网和位置服务的发展。未来，该技术可以进一步扩展到其他无线定位技术，并与其他隐私保护技术相结合，构建更加安全可靠的定位系统。
📄 摘要（原文）
Current data-driven Wi-Fi-based indoor localization systems face three critical challenges: protecting user privacy, achieving accurate predictions in dynamic multipath environments, and generalizing across different deployments. Traditional Wi-Fi localization systems often compromise user privacy, particularly when facing compromised access points (APs) or man-in-the-middle attacks. As IoT devices proliferate in indoor environments, developing solutions that deliver accurate localization while robustly protecting privacy has become imperative. We introduce FedWiLoc, a privacy-preserving indoor localization system that addresses these challenges through three key innovations. First, FedWiLoc employs a split architecture where APs process Channel State Information (CSI) locally and transmit only privacy-preserving embedding vectors to user devices, preventing raw CSI exposure. Second, during training, FedWiLoc uses federated learning to collaboratively train the model across APs without centralizing sensitive user data. Third, we introduce a geometric loss function that jointly optimizes angle-of-arrival predictions and location estimates, enforcing geometric consistency to improve accuracy in challenging multipath conditions. Extensive evaluation across six diverse indoor environments spanning over 2,000 sq. ft. demonstrates that FedWiLoc outperforms state-of-the-art methods by up to 61.9% in median localization error while maintaining strong privacy guarantees throughout both training and inference.