論文の概要: FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning

• arxiv url: http://arxiv.org/abs/2108.03591v1
• Date: Sun, 8 Aug 2021 08:56:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:41:58.901669
• Title: FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
• Title（参考訳）: FederatedNILM:Federated Deep Learningに基づく非侵入的負荷モニタリングのための分散およびプライバシ保護フレームワーク
• Authors: Shuang Dai, Fanlin Meng, Qian Wang, Xizhong Chen
• Abstract要約: 本稿では,NILM(FederatedNILM)のための分散・プライバシ保護型深層学習フレームワークを開発する。 フェデレートNILMは、連邦学習と最先端のディープラーニングアーキテクチャを組み合わせることで、家電の典型的な状態を分類するためのNILMを実行する。
• 参考スコア（独自算出の注目度）: 8.230120882304723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM), which usually utilizes machine learning methods and is effective in disaggregating smart meter readings from the household-level into appliance-level consumptions, can help to analyze electricity consumption behaviours of users and enable practical smart energy and smart grid applications. However, smart meters are privately owned and distributed, which make real-world applications of NILM challenging. To this end, this paper develops a distributed and privacy-preserving federated deep learning framework for NILM (FederatedNILM), which combines federated learning with a state-of-the-art deep learning architecture to conduct NILM for the classification of typical states of household appliances. Through extensive comparative experiments, the effectiveness of the proposed FederatedNILM framework is demonstrated.
• Abstract（参考訳）: 非侵入負荷監視(NILM)は、通常機械学習手法を用いており、家庭レベルでのスマートメーターの読み出しを家電レベルでの消費に分散させるのに有効であり、ユーザの消費電力の挙動を分析し、実用的なスマートエネルギーとスマートグリッドアプリケーションを実現するのに役立つ。 しかし、スマートメーターは個人所有で配布されており、NILMの実際の応用は困難である。 そこで本稿では,家庭家電の典型的分類にnilmを適用するために,連合学習と最先端のディープラーニングアーキテクチャを組み合わせた分散・プライバシー保全型学習フレームワークであるnilm(federatednilm)を開発した。 広範な比較実験により,federatednilmフレームワークの有効性が実証された。

関連論文リスト

• Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data [5.460776507522276]
  非侵入負荷モニタリング(NILM)は、エネルギー意識を高め、エネルギープログラム設計のための貴重な洞察を提供する。 既存のNILM法は、しばしば高サンプリング複雑な信号データを取得するための特殊な装置に依存している。 そこで本研究では,12種類の機器の負荷分散を実現するために,容易にアクセス可能な気象データを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:04:49Z)
• Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
  最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。 その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。 過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Neuro-mimetic Task-free Unsupervised Online Learning with Continual Self-Organizing Maps [56.827895559823126]
  自己組織化マップ(英: Self-organizing map、SOM)は、クラスタリングや次元減少によく用いられるニューラルネットワークモデルである。 低メモリ予算下でのオンライン教師なし学習が可能なSOM(連続SOM)の一般化を提案する。 MNIST, Kuzushiji-MNIST, Fashion-MNISTなどのベンチマークでは, ほぼ2倍の精度が得られた。
  論文  参考訳（メタデータ） (2024-02-19T19:11:22Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A Review [0.0]
  非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、総エネルギー消費プロファイルを個々の機器負荷プロファイルに分解する手法である。 機械学習やディープラーニングを含む様々な手法がNILMアルゴリズムの実装と改善に用いられてきた。 本稿では, 深層学習に基づく最近のNILM手法を概観し, 住宅負荷の最も正確な方法を紹介する。
  論文  参考訳（メタデータ） (2023-06-08T08:11:21Z)
• Towards Building the Federated GPT: Federated Instruction Tuning [66.7900343035733]
  本稿では,大規模言語モデル(LLM)の命令チューニングのための学習フレームワークとして,FedIT(Federated Instruction Tuning)を紹介する。 我々は,FedITを用いてクライアントの終端における多種多様な命令セットを活用することにより,ローカル命令のみを限定した集中学習に比べ,LLMの性能を向上させることを実証した。
  論文  参考訳（メタデータ） (2023-05-09T17:42:34Z)
• DP$^2$-NILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring [7.934421564157628]
  非侵入負荷モニタリング(NILM)は、ユーザの電力消費行動を分析するのに役立つ。 最近の研究で、フェデレート深層学習(FL)に基づく多くの新しいNILMフレームワークが提案されている。
  論文  参考訳（メタデータ） (2022-06-30T18:18:25Z)
• 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)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• FedNILM: Applying Federated Learning to NILM Applications at the Edge [17.322648858451995]
  我々は、エッジクライアントでのNILMアプリケーションのための実用的なFLパラダイムであるFedNILMを提示する。 特にFedNILMは、プライバシ保護とパーソナライズされたNILMサービスを大規模エッジクライアントに提供するように設計されている。 実世界のエネルギーデータに関する実験により、FedNILMは最先端の精度でパーソナライズされたエネルギー分散を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-06-07T04:05:19Z)

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。