論文の概要: Realistic Differentially-Private Transmission Power Flow Data Release
- arxiv url: http://arxiv.org/abs/2103.14036v1
- Date: Thu, 25 Mar 2021 04:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:35:24.280218
- Title: Realistic Differentially-Private Transmission Power Flow Data Release
- Title（参考訳）: 実効的差動送電電力フローデータリリース
- Authors: David Smith, Frederik Geth, Elliott Vercoe, Andrew Feutrill, Ming
Ding, Jonathan Chan, James Foster and Thierry Rakotoarivelo
- Abstract要約: 送電ではなく, グリッド損失の公開情報を用いて, 根本的に異なるポストプロセッシング手法を提案する。
直列インピーダンスに加えて、より敏感なパラメータ、すなわち分岐短命を保護します。
我々のアプローチは、より実現可能で現実的なシナリオに対処し、最先端のプライバシー保証よりも高いものを提供します。
- 参考スコア（独自算出の注目度）: 12.425053979364362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For the modeling, design and planning of future energy transmission networks,
it is vital for stakeholders to access faithful and useful power flow data,
while provably maintaining the privacy of business confidentiality of service
providers. This critical challenge has recently been somewhat addressed in [1].
This paper significantly extends this existing work. First, we reduce the
potential leakage information by proposing a fundamentally different
post-processing method, using public information of grid losses rather than
power dispatch, which achieve a higher level of privacy protection. Second, we
protect more sensitive parameters, i.e., branch shunt susceptance in addition
to series impedance (complete pi-model). This protects power flow data for the
transmission high-voltage networks, using differentially private
transformations that maintain the optimal power flow consistent with, and
faithful to, expected model behaviour. Third, we tested our approach at a
larger scale than previous work, using the PGLib-OPF test cases [10]. This
resulted in the successful obfuscation of up to a 4700-bus system, which can be
successfully solved with faithfulness of parameters and good utility to data
analysts. Our approach addresses a more feasible and realistic scenario, and
provides higher than state-of-the-art privacy guarantees, while maintaining
solvability, fidelity and feasibility of the system.
- Abstract（参考訳）: 将来のエネルギー伝達ネットワークのモデリング、設計、計画には、サービス提供者のビジネス機密性のプライバシーを確実に維持しつつ、忠実で有用な電力フローデータにアクセスすることが不可欠である。
この重要な課題は、最近[1]で対処されました。
本論文は既存の研究を大きく拡張する。
まず,プライバシ保護のレベルが向上する電力ディスパッチではなく,グリッド損失の公開情報を用いて,後処理の基本的な方法を提案することにより,潜在的漏洩情報を低減する。
第二に、直列インピーダンス(完全πモデル)に加えて、より敏感なパラメータ、すなわち分岐シャント感受性を保護する。
これは送信高電圧ネットワークの電力フローデータを保護し、最適な電力フローを期待されたモデル動作に整合し、忠実に維持する微分プライベート変換を使用する。
第3に,pglib-opf テストケース [10] を用いて,従来の作業よりも大規模にアプローチをテストした。
この結果、最大4700バスまでの難読化が成功し、パラメータの忠実さとデータアナリストに優れた有用性で解決することができた。
我々のアプローチは、より実現可能で現実的なシナリオに対処し、システムの可解性、忠実性、実現可能性を維持しながら、最先端のプライバシー保証よりも高いものを提供します。
関連論文リスト
- Privacy-Preserving Power Flow Analysis via Secure Multi-Party Computation [1.8006898281412764]
本稿では,暗号的に隠されたプロシューマーデータに対して,電力フロー解析を行う方法を示す。
ユニバーサル・コンポーザビリティ・フレームワークにおける我々のアプローチの安全性について分析する。
論文 参考訳（メタデータ） (2024-11-21T20:04:16Z) - Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
本稿では,PseudoProbability Unlearning (PPU)を提案する。
提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
論文 参考訳（メタデータ） (2024-11-04T21:27:06Z) - Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。
従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
論文 参考訳（メタデータ） (2024-07-20T10:45:06Z) - Communication and Energy Efficient Wireless Federated Learning with
Intrinsic Privacy [16.305837225117603]
Federated Learning(FL)は、エッジデバイスが生データをローカルに保持しながら、グローバルモデルを共同で学習することを可能にする、協調学習フレームワークである。
本研究では,PFELS(Private Edge Learning with Spars)と呼ばれる新しい無線FL方式を提案する。
論文 参考訳（メタデータ） (2023-04-15T03:04:11Z) - FeDiSa: A Semi-asynchronous Federated Learning Framework for Power
System Fault and Cyberattack Discrimination [1.0621485365427565]
本稿では,電力系統故障とサイバーアタック識別のための半非同期フェデレーション学習フレームワークFeDiSaを提案する。
産業用制御システムデータセットを用いた提案フレームワークの実験により,データ機密性を維持しつつ,通信遅延やストラグラーの悪影響を最小限に抑えながら,攻撃検出精度が向上した。
論文 参考訳（メタデータ） (2023-03-28T13:34:38Z) - Over-the-Air Federated Learning with Privacy Protection via Correlated
Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。
従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。
本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文 参考訳（メタデータ） (2022-10-05T13:13:35Z) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳（メタデータ） (2022-10-03T08:38:38Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy
Providers [1.1254693939127909]
我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。
我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。
予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
論文 参考訳（メタデータ） (2022-03-01T04:16:19Z) - Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。
モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。
本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文 参考訳（メタデータ） (2022-02-14T18:33:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。