論文の概要: AMI-FML: A Privacy-Preserving Federated Machine Learning Framework for
AMI
- arxiv url: http://arxiv.org/abs/2109.05666v1
- Date: Mon, 13 Sep 2021 01:56:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 10:46:10.738518
- Title: AMI-FML: A Privacy-Preserving Federated Machine Learning Framework for
AMI
- Title（参考訳）: AMI-FML:AMIのためのプライバシ保護フェデレーション機械学習フレームワーク
- Authors: Milan Biswal, Abu Saleh Md Tayeen, Satyajayant Misra
- Abstract要約: AMI用の分散機械学習アプリケーションを開発する上で重要な課題は、アクティブなエンドユーザの参加を許可しながら、ユーザのプライバシを維持することだ。
本稿では、AMIにおけるMLアプリケーションのための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を提案する。
短期負荷予測(STLF)を改善するユースケースフェデレーションML(FML)アプリケーションに関するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.7393821783237184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) based smart meter data analytics is very promising for
energy management and demand-response applications in the advanced metering
infrastructure(AMI). A key challenge in developing distributed ML applications
for AMI is to preserve user privacy while allowing active end-users
participation. This paper addresses this challenge and proposes a
privacy-preserving federated learning framework for ML applications in the AMI.
We consider each smart meter as a federated edge device hosting an ML
application that exchanges information with a central aggregator or a data
concentrator, periodically. Instead of transferring the raw data sensed by the
smart meters, the ML model weights are transferred to the aggregator to
preserve privacy. The aggregator processes these parameters to devise a robust
ML model that can be substituted at each edge device. We also discuss
strategies to enhance privacy and improve communication efficiency while
sharing the ML model parameters, suited for relatively slow network connections
in the AMI. We demonstrate the proposed framework on a use case federated ML
(FML) application that improves short-term load forecasting (STLF). We use a
long short-term memory(LSTM) recurrent neural network (RNN) model for STLF. In
our architecture, we assume that there is an aggregator connected to a group of
smart meters. The aggregator uses the learned model gradients received from the
federated smart meters to generate an aggregate, robust RNN model which
improves the forecasting accuracy for individual and aggregated STLF. Our
results indicate that with FML, forecasting accuracy is increased while
preserving the data privacy of the end-users.
- Abstract（参考訳）: 機械学習(ml)ベースのスマートメータデータ分析は、高度メータインフラストラクチャ(ami)におけるエネルギー管理と需要応答アプリケーションに非常に有望である。
AMI用の分散MLアプリケーションを開発する上で重要な課題は、アクティブなエンドユーザの参加を許可しながら、ユーザのプライバシを維持することだ。
本稿では、この課題に対処し、AMIにおけるMLアプリケーションのための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を提案する。
我々は,各スマートメータを,中央アグリゲータやデータ集中器と情報を定期的に交換するMLアプリケーションをホストするフェデレーションエッジデバイスとみなす。
スマートメーターによって検出された生データを転送する代わりに、MLモデルの重み付けをアグリゲータに転送してプライバシを保存する。
アグリゲータはこれらのパラメータを処理し、各エッジデバイスで置換可能な堅牢なMLモデルを考案する。
また、AMI内の比較的遅いネットワーク接続に適したMLモデルパラメータを共有しながら、プライバシーを高め、通信効率を向上させる戦略についても論じる。
本稿では、短期負荷予測(STLF)を改善するユースケースフェデレーションML(FML)アプリケーション上で、提案フレームワークを実証する。
長短期記憶(LSTM)リカレントニューラルネットワーク(RNN)モデルを用いてSTLFを提案する。
我々のアーキテクチャでは、スマートメーター群にアグリゲータが接続されていると仮定する。
このアグリゲータは、フェデレートされたスマートメーターから得られた学習モデル勾配を用いて、個別および集約されたSTLFの予測精度を向上させる、集約された堅牢なRNNモデルを生成する。
その結果,FMLでは,エンドユーザのデータプライバシを保ちながら予測精度が向上することが示唆された。
関連論文リスト
- Electrical Load Forecasting in Smart Grid: A Personalized Federated Learning Approach [9.687203504689563]
スマートグリッドの電力管理と安定性には電力負荷予測が不可欠である。
従来の機械学習(ML)手法は負荷予測によく使用されるが、データ共有は必要である。
フェデレートラーニング(FL)は、データ交換なしでローカルSMで分散MLモデルを実行することでこの問題に対処できる。
論文 参考訳（メタデータ） (2024-11-15T22:44:50Z) - Privacy-Preserving Hierarchical Model-Distributed Inference [4.331317259797958]
本稿では、階層的な設定のためのプライバシ保護機械学習(ML)推論プロトコルの設計に焦点を当てる。
私たちの目標は、データとMLモデルの両方にプライバシを提供しながら、ML推論をスピードアップすることにあります。
論文 参考訳（メタデータ） (2024-07-25T19:39:03Z) - SpaFL: Communication-Efficient Federated Learning with Sparse Models and Low computational Overhead [75.87007729801304]
SpaFL: 計算オーバーヘッドの少ないスパースモデル構造を最適化する通信効率のよいFLフレームワークを提案する。
実験により、スパースベースラインに比べて通信やコンピューティングリソースをはるかに少なくし、精度を向上することが示された。
論文 参考訳（メタデータ） (2024-06-01T13:10:35Z) - MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。
各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。
ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。
品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
論文 参考訳（メタデータ） (2023-08-25T01:41:04Z) - Federated Nearest Neighbor Machine Translation [66.8765098651988]
本稿では,FedNN(FedNN)機械翻訳フレームワークを提案する。
FedNNは1ラウンドの記憶に基づくインタラクションを活用して、異なるクライアント間で知識を共有する。
実験の結果,FedAvgと比較して,FedNNは計算コストと通信コストを著しく削減することがわかった。
論文 参考訳（メタデータ） (2023-02-23T18:04:07Z) - ezDPS: An Efficient and Zero-Knowledge Machine Learning Inference
Pipeline [2.0813318162800707]
我々は,新しい効率的かつゼロ知識の機械学習推論スキームであるezDPSを提案する。
ezDPSはzkMLパイプラインで、データを複数のステージで高精度に処理する。
ezDPSは,全測定値における一般的な回路ベース手法よりも1～3桁効率が高いことを示す。
論文 参考訳（メタデータ） (2022-12-11T06:47:28Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-20T10:49:22Z) - Federated Split GANs [12.007429155505767]
ユーザデバイス自体でMLモデルをトレーニングするための代替手法を提案する。
我々は、GAN(ジェネレーティブ・逆境ネットワーク)に注目し、その固有のプライバシー保護属性を活用する。
我々のシステムはデータのプライバシを保ち、短時間のトレーニング時間を保ち、制約のないデバイスで同じ精度でモデルトレーニングを行う。
論文 参考訳（メタデータ） (2022-07-04T23:53:47Z) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2022-03-26T00:41:57Z) - Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。
このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文 参考訳（メタデータ） (2022-02-17T02:01:37Z) - Trust-Based Cloud Machine Learning Model Selection For Industrial IoT
and Smart City Services [5.333802479607541]
クラウドサービスプロバイダがリソース制約のあるデバイスからビッグデータを収集し、機械学習予測モデルを構築するパラダイムを考察する。
提案手法は,MLモデルの信頼度を最大化する知的時間再構成を含む。
その結果,選択したモデルの信頼度は,ILPを用いた結果に比べて0.7%から2.53%低かった。
論文 参考訳（メタデータ） (2020-08-11T23:58:03Z)
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。