应对联邦负荷预测中的异质性与个性化层
使用个性化层的个性化联邦学习算法(PL-FL)通过给经典的联邦学习算法添加个性化层,解决了异构数据对模型质量的影响问题。通过在多个商业建筑的异构能耗数据上测试,PL-FL 算法训练的模型表现优于传统联邦学习算法,证明了个性化层能够使经典联邦学习算法处理具有异构数据的客户。
Sep, 2023
智能电表的普及为训练建筑层负载预测模型提供了详细和本地化的负载消耗数据,为了解决由模型引起的数据泄露带来的隐私问题,本论文提出了一种用于非同质数据的短期负载预测模型的性能挑战的隐私保护联邦学习算法(PPFL),该算法通过模型混淆在每个智能电表上实现本地化训练,并采用差分隐私机制来保护共享层的数据泄露。在 NREL ComStock 数据集上进行的模拟实验验证了我们方法的有效性。
Nov, 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
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
联邦学习的普及与人工智能应用中对数据隐私的关注日益增长。联邦学习促进了多方合作的模型学习,同时确保了数据保密性。然而,由于不同客户数据分布导致的统计异质性问题,会带来一些挑战,例如不足的个性化和收敛速度慢。为了解决上述问题,本文简要总结了个性化联邦学习领域的当前研究进展,概述了个性化联邦学习的概念,审视了相关技术,并强调了当前的努力。此外,本文还讨论了个性化联邦学习的潜在进一步研究和障碍。
Feb, 2024
使用堆叠泛化的新型个性化方法,在保护隐私的情况下,直接发送模型来训练元模型,并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术,从而创建更适合个体客户数据的多个模型,并通过多方面评估每位客户对联邦的贡献。
Apr, 2024
本文提出了一种个性化的联邦学习(CFL)系统,通过特殊设计的全局模型为每个客户定制个性化模型,采用在线训练的模型搜索辅助器和新型聚合算法,解决 FL 在多个维度上的异质性问题。实验证明,CFL 在 FL 训练和边缘推断方面具有全栈优势,并显著改进了模型准确性(在非异构环境中高达 7.2%,在异构环境中高达 21.8%)、效率和公平性。
Feb, 2023
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
本文设计了以用户为中心的聚合规则,基于可用的梯度信息,为每个联邦学习客户端生成个性化模型,并得出了一种课通信高效的变体,以优于流行的个性化联邦学习基线的平均正确性,最差节点性能和训练通信开销。
Apr, 2023