近年，モバイルデバイスの急激な普及により，端末位置の測位技術が，地図アプリだけでなく様々なユビキタス・コンピューティングのアプリケーションの基盤として重要となっています．

現在，屋外の測位技術としてGPSが主流となっていますが，屋内では精度が悪く使用できません．そのため，Wi-Fiのアクセスポイントから発生する信号強度（RSSI）を用いた屋内専用の測位の研究が多く進められています．その屋内測位の手法として，フィンガープリントを使用して屋内の位置を同定する手法が一般的です．
しかし，この測位手法において，時間経過とともに環境変動（例えば，新しい自動販売機の設置や，アクセスポイントの移動など）により，RSSIの分布が変化するという問題が知られています．
この問題は，長期のサービス適用が必要とされる測位において，重大な問題であります．

この問題に対して，少量の新しいデータと今まで収集されていたデータを使用し，測位精度の修正が可能である，転移学習という手法が提案されています．
しかしそれらのモデルでは，期間が経過するごとに収集されているデータの量が増加し，計算コストやメモリコストが増加していき，膨大となる等の問題がありました．
それらに対し，計算コストやメモリコストを一定レベルに維持したまま，今までのモデルと同等の精度修正能力を持つ逐次学習法「GroupWiLo」を提案しました．

Masato Sugasaki and Kota Tsubouchi and Masamichi Shimosaka and Nobuhiko Nishio
Group Wi-Lo: Maintaining Wi-Fi-based Indoor Localization Accurate via Group-wise Total Variation Regularization.
2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN).