使用边缘计算和联邦学习进行电力负荷预测
本文介绍了一种基于 Transformer 的深度学习方法,利用联邦学习进行短期电力负荷预测,模型的性能超过了长短时记忆模型和卷积神经网络,是联邦学习中值得期待的一个替代方案。
Oct, 2023
利用轻量级完全连接的深度神经网络,本研究重点研究了联邦学习在分析智能能源计量器数据方面的应用,以在保护个体计量器数据隐私的同时实现与现有方法相当的负载预测准确性。通过利用联邦学习的框架,我们在每个计量器源和聚合器上实现了与现有方案相当的预测准确性,同时减少了复杂深度学习模型带来的能源和资源消耗,从而使这种方法在资源受限的智能计量系统中得到了广泛的部署。我们提出的轻量级模型能够实现 0.17 的平均负载预测 RMSE,而在 Arduino Uno 平台上进行训练和推断时,模型几乎没有能源开销,只有 50 mWh。
Apr, 2024
通过提出一个可评估机器学习模型可行性的新方法,本文在实际基站测量的基础上,对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估,发现较大的机器学习模型在性能上略有提升,但在碳足迹方面产生了显著的环境影响,使其在实际应用中不切实际。
Sep, 2023
本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题,提出控制算法以最小化给定资源预算下的损失函数,并通过真实数据集的大量实验评估算法性能。
Apr, 2018
通过将人工智能(AI)与边缘计算相结合,边缘智能利用终端设备和边缘服务器的计算和通信能力,在数据产生的地方进行处理,从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning(FL),该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而,FL 网络预计涉及成千上万个异构分布式设备,因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出,提出了一种分层联邦学习(HFL)框架,其中指定的集群领导者通过中间模型聚合支持数据所有者。因此,基于改进的边缘服务器资源利用,本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量(QoE)的影响,作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题,作者提出了一种具有联邦深度强化学习(DRL)和联邦学习(FL)的分散式缓存算法,其中多个代理独立学习并做出决策。
Mar, 2024
通过对边缘传感设备的视角,本文回顾了联邦学习策略,探讨了关键联邦学习原理、软件框架和测试平台,并且研究了联邦学习在当前传感技术、传感设备性能和传感应用上的应用,最后讨论了未来研究方向。
Nov, 2023
本文介绍了使用机器学习技术预测电动汽车网络的能量需求的方法,包括一种使用聚类和联邦学习的方法,以减少通信开销和保护数据隐私。实验结果表明,与其他基线机器学习算法相比,我们的方法可以提高能量需求预测的准确性高达 24.63%,并降低 83.4%的通信开销。
Sep, 2019
本研究提出一种基于梯度量化的差分隐私保护 Federated Learning 框架,旨在保障智能电表数据的隐私性及模型架构的安全性,有效防范 Byzantine 攻击,击败传统的 Fed-SGD 模型.
Sep, 2022
提出了一种基于边缘计算场景的去中心化区块链联邦学习(FL)结构,利用区块链提高 FL 结构的安全性,并应用区块链创建 FL 的奖励机制以实现训练者的激励策略。
Nov, 2023