論文の概要: DP$^2$-NILM: A Distributed and Privacy-preserving Framework for
Non-intrusive Load Monitoring
- arxiv url: http://arxiv.org/abs/2207.00041v1
- Date: Thu, 30 Jun 2022 18:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 12:45:54.384410
- Title: DP$^2$-NILM: A Distributed and Privacy-preserving Framework for
Non-intrusive Load Monitoring
- Title(参考訳): DP$^2$-NILM: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 and Fanlin Meng and Qian Wang and Xizhong Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.934421564157628
- 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 consumption, can help analyze electricity
consumption behaviours of users and enable practical smart energy and smart
grid applications. Recent studies have proposed many novel NILM frameworks
based on federated deep learning (FL). However, there lacks comprehensive
research exploring the utility optimization schemes and the privacy-preserving
schemes in different FL-based NILM application scenarios. In this paper, we
make the first attempt to conduct FL-based NILM focusing on both the utility
optimization and the privacy-preserving by developing a distributed and
privacy-preserving NILM (DP2-NILM) framework and carrying out comparative
experiments on practical NILM scenarios based on real-world smart meter
datasets. Specifically, two alternative federated learning strategies are
examined in the utility optimization schemes, i.e., the FedAvg and the FedProx.
Moreover, different levels of privacy guarantees, i.e., the local differential
privacy federated learning and the global differential privacy federated
learning are provided in the DP2-NILM. Extensive comparison experiments are
conducted on three real-world datasets to evaluate the proposed framework.
- 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、ユーザの電力消費の挙動を分析し、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。
近年,federated deep learning (fl)に基づくnilmフレームワークが多数提案されている。
しかし、様々なFLベースのNILMアプリケーションシナリオにおけるユーティリティ最適化スキームとプライバシ保護スキームの総合的な研究は欠如している。
本稿では,分散・プライバシ保護型 NILM (DP2-NILM) フレームワークを開発し,実世界のスマートメーターデータセットに基づく現実的な NILM シナリオの比較実験を行うことにより,実用性とプライバシ保護の両方に焦点をあてて FL ベースの NILM を実行するための最初の試みを行う。
具体的には、ユーティリティ最適化スキーム、すなわちFedAvgとFedProxの2つの代替フェデレート学習戦略について検討する。
さらに、DP2-NILMには、ローカルな差分プライバシーフェデレーション学習とグローバルな差分プライバシーフェデレーション学習という異なるレベルのプライバシー保証が設けられている。
提案フレームワークを評価するために,実世界の3つのデータセットについて広範な比較実験を行った。
関連論文リスト
- Scalable Online Exploration via Coverability [51.32148652451376]
探索は、特に関数近似を必要とする高次元領域において、強化学習において大きな課題である。
従来の探索手法を一般化し,3つの基本デシラタをサポートする新しい目的である$L_Coverageを導入する。
$L_Coverageは、カバー可能性の低いMDPにおけるオンライン(リワードフリーまたは報酬駆動)強化学習のための、最初の計算効率のよいモデルベースおよびモデルフリーのアルゴリズムを可能にする。
論文 参考訳(メタデータ) (2024-03-11T10:14:06Z) - Privacy-preserving Federated Primal-dual Learning for Non-convex and
Non-smooth Problems with Model Sparsification [54.767648945613004]
フェデレートラーニング(FL)は急速に成長している分野として認識されている。
パラメータの非平滑性と非共有性は、FLアプリケーションで一般的である。
論文 参考訳(メタデータ) (2023-10-30T14:15:47Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the
Ugly [66.19763977571114]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳(メタデータ) (2023-10-04T20:27:20Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳(メタデータ) (2023-10-04T03:32:39Z) - FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large
Language Models in Federated Learning [70.38817963253034]
本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。
我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。
本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
論文 参考訳(メタデータ) (2023-09-01T09:40:36Z) - 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) - Optimizing Privacy, Utility and Efficiency in Constrained
Multi-Objective Federated Learning [20.627157142499378]
我々はNSGA-IIとPSLに基づく2つの改良されたCMOFLアルゴリズムを開発した。
3つのプライバシ保護機構のための,プライバシリーク,ユーティリティ損失,トレーニングコストの具体的な測定を設計する。
3つの保護機構のそれぞれで実施した実証実験により,提案アルゴリズムの有効性が示された。
論文 参考訳(メタデータ) (2023-04-29T17:55:38Z) - FederatedNILM: A Distributed and Privacy-preserving Framework for
Non-intrusive Load Monitoring based on Federated Deep Learning [8.230120882304723]
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。
論文 参考訳(メタデータ) (2021-08-08T08:56:40Z) - 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) - 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) - A Federated Learning Framework for Non-Intrusive Load Monitoring [0.1657441317977376]
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。
論文 参考訳(メタデータ) (2021-04-04T14:24:50Z)
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。