論文の概要: Secure Federated Learning for Residential Short Term Load Forecasting

• arxiv url: http://arxiv.org/abs/2111.09248v1
• Date: Wed, 17 Nov 2021 17:27:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 14:15:53.569804
• Title: Secure Federated Learning for Residential Short Term Load Forecasting
• Title（参考訳）: 住宅短期負荷予測のための安全なフェデレーション学習
• Authors: Joaquin Delgado Fernandez, Sergio Potenciano Menci, Charles Lee, Gilbert Fridgen
• Abstract要約: 本稿では,スマートメーターデータを用いた短期需要予測のための協調機械学習手法について検討する。 評価された手法は、分散的で協力的でプライベートなシステムの方向において、従来の集中型アプローチをどのように投影できるかを探求するいくつかのシナリオを考慮に入れている。
• 参考スコア（独自算出の注目度）: 0.34123736336071864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The inclusion of intermittent and renewable energy sources has increased the importance of demand forecasting in power systems. Smart meters can play a critical role in demand forecasting due to the measurement granularity they provide. Consumers' privacy concerns, reluctance of utilities and vendors to share data with competitors or third parties, and regulatory constraints are some constraints smart meter forecasting faces. This paper examines a collaborative machine learning method for short-term demand forecasting using smart meter data as a solution to the previous constraints. Privacy preserving techniques and federated learning enable to ensure consumers' confidentiality concerning both, their data, the models generated using it (Differential Privacy), and the communication mean (Secure Aggregation). The methods evaluated take into account several scenarios that explore how traditional centralized approaches could be projected in the direction of a decentralized, collaborative and private system. The results obtained over the evaluations provided almost perfect privacy budgets (1.39,$10e^{-5}$) and (2.01,$10e^{-5}$) with a negligible performance compromise.
• Abstract（参考訳）: 断続的かつ再生可能エネルギー源の導入は、電力システムにおける需要予測の重要性を高めている。 スマートメーターは、提供される測定粒度のために需要予測において重要な役割を果たす。 消費者のプライバシー上の懸念、競合相手やサードパーティとデータを共有するユーティリティやベンダの排除、規制の制約はスマートメーター予測の顔に制約がある。 本稿では,スマートメータデータを用いた短時間需要予測のための協調機械学習手法について検討する。 プライバシ保護技術とフェデレーション学習により、消費者がデータ、それを用いて生成されたモデル(識別プライバシ)、および通信手段(セキュアアグリゲーション)の両方に関する機密性を確保することができる。 評価された手法は、分散的で協調的でプライベートなシステムによって従来の集中型アプローチをどのように投影できるかを探求するいくつかのシナリオを考慮に入れている。 評価の結果、ほぼ完全なプライバシー予算(1.39,$10e^{-5}$)と(2.01,$10e^{-5}$)が得られ、性能上の妥協は無視できた。

関連論文リスト

• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
  プライベート機械学習では、既存の監査メカニズムは厳格である。 彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。 我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
  論文  参考訳（メタデータ） (2023-02-15T21:40:33Z)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Short-term Load Forecasting with Distributed Long Short-Term Memory [10.99865735713831]
  本稿では,コンセンサスアルゴリズムとLong Short-Term Memory(LSTM)に基づく,完全分散短期負荷予測フレームワークを提案する。 具体的には、完全に分散された学習フレームワークを分散トレーニングに利用し、秘密のプライバシを満たすためにコンセンサス技術を適用する。 ケーススタディでは,提案手法は精度に関する集中化手法と同等の性能を示した。
  論文  参考訳（メタデータ） (2022-08-01T21:40:16Z)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• 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)
• Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
  フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
  論文  参考訳（メタデータ） (2021-12-21T08:44:05Z)
• Federated Learning for Short-term Residential Energy Demand Forecasting [4.769747792846004]
  エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。 供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。 しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
  論文  参考訳（メタデータ） (2021-05-27T17:33:09Z)
• Privacy Protection of Grid Users Data with Blockchain and Adversarial Machine Learning [0.8029049649310213]
  世界中のユーティリティーは、今後数年間に3億以上のスマートメーターを設置するために合計で約300億ドルを投資すると報告されている。 国全体の展開により、13億近いスマートメーターが配置されます。 きめ細かいエネルギー使用量データ収集に関連するこれらのすべての特典は、ユーザーのプライバシーを脅かす。 本研究は、スマートメーターから収集した消費者のエネルギー利用データに対するプライバシー侵害について論じる。
  論文  参考訳（メタデータ） (2021-01-15T21:54:55Z)
• Deep Directed Information-Based Learning for Privacy-Preserving Smart Meter Data Release [30.409342804445306]
  本稿では,時系列データとスマートメータ(SM)電力消費測定の文脈における問題点について検討する。 我々は、考慮された設定において、より意味のあるプライバシーの尺度として、指向情報(DI)を導入します。 最悪のシナリオにおけるSMs測定による実世界のデータセットに関する実証的研究は、プライバシとユーティリティの既存のトレードオフを示している。
  論文  参考訳（メタデータ） (2020-11-20T13:41:11Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。