論文の概要: Privacy-preserving Spatiotemporal Scenario Generation of Renewable
Energies: A Federated Deep Generative Learning Approach
- arxiv url: http://arxiv.org/abs/2107.07738v1
- Date: Fri, 16 Jul 2021 07:18:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 14:26:58.804790
- Title: Privacy-preserving Spatiotemporal Scenario Generation of Renewable
Energies: A Federated Deep Generative Learning Approach
- Title（参考訳）: プライバシ保存時空間シナリオ生成による再生可能エネルギー:深層学習アプローチ
- Authors: Yang Li, Jiazheng Li and Yi Wang
- Abstract要約: Fed-LSGANは、再生可能シナリオ生成のために、フェデレーション学習と最小2乗生成対向ネットワーク(LSGAN)を統合することで提案される。
Fed-LSGANは、ネットワークエッジの再生可能サイトから中央サーバで共有グローバルモデルを学ぶ。
LSGANsに基づく深層生成モデルは、歴史的データの分布に適合するシナリオを生成する。
- 参考スコア（独自算出の注目度）: 8.55072302629971
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scenario generation is a fundamental and crucial tool for decision-making in
power systems with high-penetration renewables. Based on big historical data, a
novel federated deep generative learning framework, called Fed-LSGAN, is
proposed by integrating federated learning and least square generative
adversarial networks (LSGANs) for renewable scenario generation. Specifically,
federated learning learns a shared global model in a central server from
renewable sites at network edges, which enables the Fed-LSGAN to generate
scenarios in a privacy-preserving manner without sacrificing the generation
quality by transferring model parameters, rather than all data. Meanwhile, the
LSGANs-based deep generative model generates scenarios that conform to the
distribution of historical data through fully capturing the spatial-temporal
characteristics of renewable powers, which leverages the least squares loss
function to improve the training stability and generation quality. The
simulation results demonstrate that the proposal manages to generate
high-quality renewable scenarios and outperforms the state-of-the-art
centralized methods. Besides, an experiment with different federated learning
settings is designed and conducted to verify the robustness of our method.
- Abstract（参考訳）: シナリオ生成は、高ペネレーションの再生可能エネルギーを用いた電力システムにおける決定のための基本的で重要なツールである。
ビッグデータに基づいて,フェデレーション学習と最小2乗逆数ネットワーク(LSGAN)を統合して,再生可能シナリオ生成を実現することにより,フェデレーション付き深層学習フレームワークFed-LSGANを提案する。
具体的には、フェデレーション学習は、ネットワークエッジにおける再生可能サイトから中央サーバ内の共有グローバルモデルを学び、すべてのデータではなくモデルパラメータを転送することで、生成品質を犠牲にすることなく、プライバシ保存形式でシナリオを生成することができる。
一方、LSGANsに基づく深層生成モデルでは、再生可能電力の時空間特性を完全に把握することにより、履歴データの分布に適合するシナリオを生成し、最小二乗損失関数を利用してトレーニング安定性と生成品質を向上させる。
シミュレーションの結果,提案手法は高品質な再生可能シナリオを生成し,最先端の集中型手法よりも優れていた。
さらに,本手法の堅牢性を検証するために,異なるフェデレート学習環境を用いた実験を設計・実施した。
関連論文リスト
- Using Diffusion Models as Generative Replay in Continual Federated Learning -- What will Happen? [28.465434174993007]
本稿では,分散学習環境における継続的学習の課題に対処するための新しいフレームワークであるDCFLを紹介する。
提案手法は条件拡散モデルのパワーを利用して,通信中の各ローカルデバイスで合成履歴データを生成する。
論文 参考訳（メタデータ） (2024-11-10T22:48:21Z) - When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain [10.099134773737939]
機械学習モデルは、将来のエネルギー生産または消費を予測する機能を提供する。
しかし、特定のエネルギーセクター内の法と政策の制約は、様々な情報源のデータを利用する際に技術的ハードルをもたらす。
本稿では,集中型サーバをブロックチェーンベースの分散ネットワークに置き換えるSwarm Learningスキームを提案する。
論文 参考訳（メタデータ） (2024-06-07T08:42:26Z) - 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) - Federated Learning Empowered by Generative Content [55.576885852501775]
フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。
本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。
我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
論文 参考訳（メタデータ） (2023-12-10T07:38:56Z) - DFRD: Data-Free Robustness Distillation for Heterogeneous Federated
Learning [20.135235291912185]
Federated Learning(FL)は、プライバシに制約のある分散機械学習パラダイムである。
本研究では,データヘテロジニアスおよびモデルヘテロジニアスFLシナリオにおいて,ロバストなグローバルモデルを学習するための新しいFL法(DFRD)を提案する。
論文 参考訳（メタデータ） (2023-09-24T04:29:22Z) - Plankton-FL: Exploration of Federated Learning for Privacy-Preserving
Training of Deep Neural Networks for Phytoplankton Classification [81.04987357598802]
本研究では,植物プランクトン分類のための深層ニューラルネットワークのプライバシー保護トレーニングにフェデレート学習を活用する可能性を検討する。
我々は2つの異なるフェデレーション学習フレームワーク、フェデレーション学習(FL)と相互排他的FL(ME-FL)をシミュレートする。
本研究では,植物プランクトンモニタリングにおけるフェデレート学習の可能性と可能性について実験的に検証した。
論文 参考訳（メタデータ） (2022-12-18T02:11:03Z) - Differentially Private Federated Learning via Reconfigurable Intelligent
Surface [27.004823731436765]
フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。
本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
論文 参考訳（メタデータ） (2022-03-31T13:45:02Z) - Rethinking Architecture Design for Tackling Data Heterogeneity in
Federated Learning [53.73083199055093]
注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。
我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
論文 参考訳（メタデータ） (2021-06-10T21:04:18Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - Factorized Deep Generative Models for Trajectory Generation with
Spatiotemporal-Validity Constraints [10.960924101404498]
軌跡データの深い生成モデルは、洗練された潜伏パターンの表現的説明モデルを学ぶことができる。
まず、時間不変変数と時間不変変数を分解する新しい深部生成モデルを提案する。
そこで我々は,時間的妥当性に対する変動推論と制約付き最適化に基づく新しい推論戦略を開発した。
論文 参考訳（メタデータ） (2020-09-20T02:06:36Z) - Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。
Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。
大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文 参考訳（メタデータ） (2020-06-15T22:22:56Z)
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。