論文の概要: A Federated Learning Framework for Non-Intrusive Load Monitoring

• arxiv url: http://arxiv.org/abs/2104.01618v1
• Date: Sun, 4 Apr 2021 14:24:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:19:48.723448
• Title: A Federated Learning Framework for Non-Intrusive Load Monitoring
• Title（参考訳）: 非インタラクティブ負荷モニタリングのためのフェデレーション学習フレームワーク
• Authors: Haijin Wang, Caomingzhe Si, Junhua Zhao
• Abstract要約: 非侵入負荷モニタリング (NILM) は, 家庭用電力消費の総読み出しを家電製品に分解することを目的としている。 NILMデータを所有しているユーティリティやDNO間のデータ連携はますます重要になっている。 フェデレーションラーニング(FL)によるNILMのパフォーマンス向上のためのフレームワークが構築されました。
• 参考スコア（独自算出の注目度）: 0.1657441317977376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM) aims at decomposing the total reading of the household power consumption into appliance-wise ones, which is beneficial for consumer behavior analysis as well as energy conservation. NILM based on deep learning has been a focus of research. To train a better neural network, it is necessary for the network to be fed with massive data containing various appliances and reflecting consumer behavior habits. Therefore, data cooperation among utilities and DNOs (distributed network operators) who own the NILM data has been increasingly significant. During the cooperation, however, risks of consumer privacy leakage and losses of data control rights arise. To deal with the problems above, a framework to improve the performance of NILM with federated learning (FL) has been set up. In the framework, model weights instead of the local data are shared among utilities. The global model is generated by weighted averaging the locally-trained model weights to gather the locally-trained model information. Optimal model selection help choose the model which adapts to the data from different domains best. Experiments show that this proposal improves the performance of local NILM runners. The performance of this framework is close to that of the centrally-trained model obtained by the convergent data without privacy protection.
• Abstract（参考訳）: 非侵入負荷モニタリング (NILM) は, 家庭用電力消費の総読み出しを家電製品に分解することを目的としており, 消費者行動分析や省エネルギーに有用である。 深層学習に基づくNILMは研究の焦点となっている。 より優れたニューラルネットワークをトレーニングするには、さまざまなアプライアンスを含む大量のデータをネットワークに供給し、消費者の行動習慣を反映する必要がある。 そのため、NILMデータを所有しているユーティリティやDNO(分散ネットワークオペレータ)間のデータ連携がますます重要になっている。 しかし、協力の間、消費者プライバシの漏洩とデータ制御権の喪失のリスクが発生する。 上記の問題に対処するために、連合学習(fl)によるnilmの性能向上のためのフレームワークが設定されている。 フレームワークでは、ローカルデータの代わりにモデル重み付けがユーティリティ間で共有される。 大域モデルは、局所的に訓練されたモデル重みを平均して局所的に訓練されたモデル情報を集めることによって生成される。 最適なモデル選択は、異なるドメインのデータに最も適応するモデルを選択するのに役立つ。 実験により,この提案により,地元のNILMランナーのパフォーマンスが向上することが示された。 このフレームワークのパフォーマンスは、プライバシ保護のない収束データによって得られた集中学習モデルに近い。

関連論文リスト

• Benchmarking Active Learning for NILM [2.896640219222859]
  非侵入負荷モニタリング(NILM)は、家電固有の用途に家庭の電力消費を分散させることに焦点を当てている。 多くの高度なNILM法は、通常大量のラベル付きアプライアンスデータを必要とするニューラルネットワークに基づいている。 限られた住宅に家電モニターを選択的に設置するための能動的学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T12:22:59Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Federated Learning for Misbehaviour Detection with Variational Autoencoders and Gaussian Mixture Models [0.2999888908665658]
  Federated Learning (FL)は、機械学習(ML)モデルを協調的にトレーニングするための魅力的なアプローチになっている。 本研究は、車載環境における潜在的な不適切な行動を特定するための、新しい教師なしFLアプローチを提案する。 当社は、モデルアグリゲーションの目的のために、パブリッククラウドサービスのコンピューティング能力を活用しています。
  論文  参考訳（メタデータ） (2024-05-16T08:49:50Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• FedWOA: A Federated Learning Model that uses the Whale Optimization Algorithm for Renewable Energy Prediction [0.0]
  本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。 その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
  論文  参考訳（メタデータ） (2023-09-19T05:44:18Z)
• DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
  非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。 自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。 本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
  論文  参考訳（メタデータ） (2022-11-20T06:13:06Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• Learning Task-Aware Energy Disaggregation: a Federated Approach [1.52292571922932]
  非侵入負荷監視(NILM)は、集約されたメーター測定に基づいて、個々のデバイスの消費電力プロファイルを見つけることを目的としている。 しかし、そのような住宅負荷データセットの収集には、膨大な努力と顧客による計測データの共有の承認が必要である。 NILMタスクのための分散型・タスク適応型学習手法を提案し,タスク固有のモデルを総合的に学習するためのネスト型メタ学習とフェデレーション型学習ステップを設計する。
  論文  参考訳（メタデータ） (2022-04-14T05:53:41Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Fed-NILM: A Federated Learning-based Non-Intrusive Load Monitoring Method for Privacy-Protection [0.1657441317977376]
  非侵入負荷監視(NILM)は、全負荷読み出しをアプライアンスレベルの負荷信号に分解する。 NILMを実現するためにディープラーニングベースの手法が開発されており、ディープニューラルネットワーク(DNN)のトレーニングには、さまざまな種類のアプライアンスを含む大量の負荷データが必要である。 負荷データが不十分だが有望なモデル性能を達成することを期待するローカルデータ所有者にとって、効果的なNILMコモデリングの導出はますます重要になっている。 潜在的なリスクを排除するため,Fed-NILM ap-plying Federated Learning (FL) と呼ばれる新しいNILM法を提案する。
  論文  参考訳（メタデータ） (2021-05-24T04:12:10Z)

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。