《Frontiers in Artificial Intelligence》：Hierarchical supervised contrastive learning with AP-attention encoding for Wi-Fi fingerprinting indoor localization
编辑推荐：
基于Wi-Fi指纹的室内定位因其无需基础设施部署以及IEEE 802.11接入点（AP）的泛在可用性而受到广泛研究关注。一种广泛采用的深度学习架构使用堆叠自编码器（SAE）进行无监督特征预训练，随后采用监督式多标签分类器进行分层建筑、楼层和参考点估计。然而，S
基于Wi-Fi指纹的室内定位因其无需基础设施部署以及IEEE 802.11接入点（AP）的泛在可用性而受到广泛研究关注。一种广泛采用的深度学习架构使用堆叠自编码器（SAE）进行无监督特征预训练，随后采用监督式多标签分类器进行分层建筑、楼层和参考点估计。然而，SAE预训练优化均方误差（MSE）重建目标，该目标与下游定位任务根本不一致，并且其对所有520个AP测量值统一处理，尽管在任一给定位置许多AP测量值无信息量。本研究提出HiSCL-AE，一种包含两个组件的架构修改：（1）AP重要性门控（AIG），学习逐AP的Sigmoid注意力权重，以端到端方式自适应抑制无关AP；（2）分层监督对比预训练策略（HiSCL），以同时应用于建筑、楼层和参考点粒度的监督对比损失替代MSE重建目标，直接优化用于定位的嵌入几何。在公开UJIIndoorLoc基准上的实验表明，HiSCL-AE达到90.73%的建筑-楼层准确率和11.38 m的平均定位误差，在两个主要指标上均优于SAE基线（90.37%准确率和11.48 m误差）。除准确率外，AIG产生可解释的AP重要性图，揭示520个AP中少于60个AP贡献了大部分判别信号——这一发现对无线电地图压缩和网络规划具有直接意义。研究人员在相同实验方案下将HiSCL-AE与另外六种Wi-Fi指纹方法进行了比较；HiSCL-AE在所比较的六种方法中同时取得最高的建筑+楼层准确率和最低的定位误差。
研究背景方面，室内定位是自主移动机器人、应急响应、智能工厂资产跟踪和情境感知移动计算等应用的基础需求。全球导航卫星系统（GNSS）在室内因信号衰减和多径效应失效，Wi-Fi指纹室内定位（利用IEEE 802.11接入点（AP）的接收信号强度指示（RSSI）指纹匹配位置）因无需额外基础设施而成为主流。Kim et al. (2018)提出的SAE-DNN架构先以堆叠自编码器（SAE）进行无监督特征预训练，再接监督多标签分类器完成建筑、楼层和参考点分层估计，已成为UJIIndoorLoc基准上的标准基线。但该基线存在两个架构限制：一是目标不匹配，SAE预训练最小化520维RSSI向量的均方误差（MSE）重建误差，而下任务需在13个建筑-楼层组合的110个参考点间判别，忠实重建信号并不保证同位置指纹在嵌入空间靠近；二是AP统一处理，所有520个AP权重相同，但任一位置通常80–90%的AP报告?110 dBm无信号，编码器需隐式忽略无信息维度，增加表征负担。为此，研究人员提出HiSCL-AE，包含AP重要性门控（AIG）和分层监督对比学习（HiSCL）两个组件，在UJIIndoorLoc上开展受控实验，保持编码器维度、分类器拓扑、数据集、预处理和评估指标与基线一致，以将改进归因于所提修改。结果表明该方法在主要指标上优于SAE基线，并提供可解释AP重要性图；意义在于通过任务对齐的预训练改善嵌入几何，同时以低推理开销提升训练稳定性，但Top-K评估显示其重要性排序不能直接用于无线电地图压缩，需覆盖约束的AP选择。
关键技术方法方面，研究使用公开UJIIndoorLoc数据集（3栋建筑、最多5层、110个参考点、520个AP、19,937个训练样本和1,111个测试样本，缺失信号记为?110 dBm），预处理与Kim et al. (2018)一致，按种子42进行90/10训练/验证划分。模型保留SAE编码器（64维）；AIG以逐AP Sigmoid门控在编码前学习全局AP重要性；HiSCL用三个投影头在建筑、楼层和参考点粒度同时计算监督对比损失（SupCon），并以权重α=1、β=2、γ=3组合为L
hiscl。Stage 1预训练30轮、批大小256；Stage 2丢弃投影头，接64→12→128→118分类器，以二值交叉熵（BCE）联合微调20轮、批大小10、学习率0.001；评估建筑准确率、楼层准确率、建筑+楼层准确率、平均定位误差和位置失败率。
研究结果方面，6.1 Main comparison：单种子受控比较中，HiSCL-AE较PyTorch重实现SAE-DNN基线将建筑+楼层准确率由90.37%提高到90.73%（+0.36个百分点），平均定位误差由11.48 m降至11.38 m（0.10 m，约0.9%），建筑准确率提高0.99个百分点，楼层准确率变化?0.27个百分点。10种子重复显示建筑+楼层准确率90.63%±1.44 vs 89.27%±0.77（配对t检验p=0.028），定位误差10.17 m±0.44 vs 11.04 m±0.50（p<0.0001），10/10种子误差更低，说明单种子结果具代表性。
6.2 Ablation study：四组合消融显示，AIG单独使误差降至11.44 m、准确率90.55%；HiSCL单独使准确率90.60%、误差11.43 m；组合达90.73%和11.38 m，表明两组件互补。过调配置（60轮、批512、τ=0.1）更差（88.84%、11.81 m），据此得出较大微调批大小削弱随机梯度噪声正则化、MSE基线延长训练不稳定；权重敏感性测试性能在89.92–91.09%和10.44–11.61 m窄带内，默认权重非最优但方法不脆弱。
6.3 AIG analysis：训练后Top-20 AP中13个位于WAP400–511，最高权重不超过0.77；前约60个AP权重高于0.60，其余低于0.55，直方图多数在0.48–0.54。空间分析显示Building 1在top-K中低于其样本占比，top-60 AP距建筑质心更近（36.1 vs 42.4），但建筑特异性无差异。得出AIG产生稳定可解释AP重要性排序，重要性不等同建筑独占性。
6.4 Embedding analysis：t-SNE（t分布随机邻域嵌入）显示HiSCL-AE形成更紧同位置簇和更清晰建筑/楼层边界；SupCon优化同位置嵌入余弦相似度，使参考点预测和定位误差直接受益，分类准确率受益较不直接。训练动态Stage 1损失平滑，Stage 2最终损失相当。Keras原始与PyTorch重实现差2.97个百分点归因于权重初始化、优化器状态和层语义；比较仍受控。AIG仅增加520个标量（低于编码器参数0.3%），推理无额外开销；但Top-K评估K=60时准确率降至20.70%，53.6%测试样本无可见信号，故不支持直接无线电地图压缩。
6.5 Comparison with recent state-of-the-art methods：在相同协议下重实现CNNLoc、CAE-CNNLoc、SALLoc、MC-ACNNR、LCVAE-CNN和RELoc，HiSCL-AE同时取得最高建筑+楼层准确率90.73%和最低平均定位误差11.38 m；RELoc误差11.51 m但准确率86.41%。HiSCL-AE失败率1.79%，高于SALLoc 0.20%和RELoc 0.10%，作者归因于位置级对比正对稀缺使参考点校准较弱；该比较为单种子。
6.6 Limitations：仅用UJIIndoorLoc，未评估跨建筑/跨环境分布偏移，部署与泛化表述应理解为限于该设置。
讨论与结论方面，讨论强调AIG和HiSCL分别缓解统一AP处理与目标不匹配，二者互补；AIG为软注意，HiSCL使嵌入几何更符合定位；部署优势为训练稳定和低推理开销，AIG图可用于网络规划诊断但不能直接压缩地图。结论翻译为：本研究引入HiSCL-AE，一种对SAE-DNN室内定位流程的架构修改；AIG和HiSCL解决标准SAE基线的目标不匹配和统一AP处理限制。UJIIndoorLoc实验表明，相对重实现基线，建筑+楼层准确率从90.37%提高到90.73%（+0.36个百分点），平均定位误差从11.48 m降至11.38 m（?0.87%）；消融确认默认超参数并揭示MSE基线延长训练不稳定；AIG产生稳定可解释AP重要性图，520个AP中少于60个获高权重；HiSCL-AE在六种近期方法中取得两指标最佳组合。未来将研究AIG稀疏正则化、对比兼容数据增强、跨建筑域自适应微调、AIG图与楼层平面图先验结合、覆盖约束AP选择以实现无线电地图压缩。
