본 논문은 Wi-Fi 액세스 포인트의 RSSI 스캔을 이용한 실내 위치 추정을 위한 순열 불변 신경망 구조를 제안합니다. 각 스캔은 (BSSID, RSSI) 쌍의 순서 없는 집합으로 모델링되며, BSSID는 학습된 임베딩에 매핑되고 신호 강도와 연결됩니다. 이들은 집합 변환기를 통해 처리되어 가변 길이, 희소 입력을 처리하는 동시에 액세스 포인트 관계에 대한 주의 기반 표현을 학습할 수 있습니다. 6개 건물에 걸쳐 수집된 캠퍼스 환경 데이터셋에서 모델을 평가한 결과, 모델은 미세한 공간 구조를 정확하게 복원하고 물리적으로 구별되는 도메인에서도 성능을 유지하는 것으로 나타났습니다. 실험에서 간단한 LSTM이 다른 모든 모델보다 일관되게 우수한 성능을 보였으며, 세 가지 작업(E1-E3)에서 평균 오차가 2.23m에 불과할 정도로 가장 낮은 평균 위치 오차를 달성했습니다. 집합 변환기는 모든 실험에서 두 번째로 우수한 성능을 보였으며, 특히 여러 건물(E2)과 여러 층(E3)이 포함된 시나리오에서 MLP, RNN 및 기본 주의 모델보다 우수한 성능을 보였습니다. 건물 간 신호 상태가 크게 달라지는 E2에서 성능이 가장 저하되어 도메인 다양성에 대한 아키텍처의 강건성이 중요함을 강조합니다. 본 연구는 집합 기반 신경 모델이 희소하고 순서 없는 입력을 실제 위치 확인 작업에서 처리하는 원칙적인 방법을 제공하는 신호 기반 위치 확인에 적합함을 보여줍니다.
