論文の概要: FedAR+: A Federated Learning Approach to Appliance Recognition with Mislabeled Data in Residential Buildings

• arxiv url: http://arxiv.org/abs/2209.01338v1
• Date: Sat, 3 Sep 2022 06:07:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:32:45.859013
• Title: FedAR+: A Federated Learning Approach to Appliance Recognition with Mislabeled Data in Residential Buildings
• Title（参考訳）: FedAR+: 住宅における誤ラベルデータによるアプライアンス認識のためのフェデレートラーニングアプローチ
• Authors: Ashish Gupta, Hari Prabhat Gupta, and Sajal K. Das
• Abstract要約: 我々は,FedAR+と呼ばれる,アプライアンス認識のための新しいフェデレーション学習手法を提案する。 FedAR+は、誤ってラベル付けされたトレーニングデータであっても、プライバシを保存する方法で、クライアント間での分散モデルトレーニングを可能にする。 提案手法では, ノイズラベルの30%以上の濃度を効果的に処理できるが, 精度に大きな差がある。
• 参考スコア（独自算出の注目度）: 13.771959407827318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the enhancement of people's living standards and rapid growth of communication technologies, residential environments are becoming smart and well-connected, increasing overall energy consumption substantially. As household appliances are the primary energy consumers, their recognition becomes crucial to avoid unattended usage, thereby conserving energy and making smart environments more sustainable. An appliance recognition model is traditionally trained at a central server (service provider) by collecting electricity consumption data, recorded via smart plugs, from the clients (consumers), causing a privacy breach. Besides that, the data are susceptible to noisy labels that may appear when an appliance gets connected to a non-designated smart plug. While addressing these issues jointly, we propose a novel federated learning approach to appliance recognition, called FedAR+, enabling decentralized model training across clients in a privacy preserving way even with mislabeled training data. FedAR+ introduces an adaptive noise handling method, essentially a joint loss function incorporating weights and label distribution, to empower the appliance recognition model against noisy labels. By deploying smart plugs in an apartment complex, we collect a labeled dataset that, along with two existing datasets, are utilized to evaluate the performance of FedAR+. Experimental results show that our approach can effectively handle up to $30\%$ concentration of noisy labels while outperforming the prior solutions by a large margin on accuracy.
• Abstract（参考訳）: 人々の生活水準の高まりと通信技術の急速な成長により、住宅環境は賢く接続性が良くなり、全体のエネルギー消費が大幅に増加している。 家電製品が主要なエネルギー消費国であるため、その認識は未使用を回避し、エネルギーを節約し、スマート環境をより持続可能なものにすることが重要となる。 アプライアンス認識モデルは、伝統的に中央サーバ(サービスプロバイダ)で、スマートプラグを介して記録された電力消費データをクライアント(消費者)から収集することで、プライバシー侵害を引き起こす。 さらに、アプライアンスを非設計のスマートプラグに接続したときに現れるノイズの多いラベルにも、データは影響を受けます。 これらの課題を共同で解決しつつ,federated learning 手法である fedar+ を提案する。federated model training では,誤ったラベル付きトレーニングデータであっても,クライアント間の分散モデルトレーニングを,プライバシ保護の方法で実現している。 FedAR+は、重みとラベル分布を組み込んだ結合損失関数である適応ノイズハンドリング法を導入し、ノイズのあるラベルに対するアプライアンス認識モデルを強化する。 集合住宅にスマートプラグを配置することで、2つの既存のデータセットとともにラベル付きデータセットを収集し、FedAR+のパフォーマンスを評価する。 実験結果から,提案手法は雑音ラベルの最大30～%の濃度を効果的に処理でき,また,従来の解を高い精度で上回ることができることがわかった。

関連論文リスト

• Anomaly-based Framework for Detecting Power Overloading Cyberattacks in Smart Grid AMI [5.5672938329986845]
  本稿では回帰決定木に基づく2段階異常検出フレームワークを提案する。 導入された検出手法は、エネルギー消費の規則性と予測可能性を利用して参照消費パターンを構築する。 アイルランドの500人の顧客を対象とした,実世界の公用エネルギー消費データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-07-03T16:52:23Z)
• 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)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data [8.486902848941872]
  エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。 ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。 本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2023-08-27T14:13:29Z)
• 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)
• 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)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Distantly-Supervised Named Entity Recognition with Noise-Robust Learning and Language Model Augmented Self-Training [66.80558875393565]
  遠距離ラベル付きデータのみを用いて、名前付きエンティティ認識(NER)モデルを訓練する際の課題について検討する。 本稿では,新しい損失関数と雑音ラベル除去ステップからなるノイズロスバスト学習手法を提案する。 提案手法は,既存の遠隔教師付きNERモデルよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-09-10T17:19:56Z)
• 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)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
  エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。 本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
  論文  参考訳（メタデータ） (2020-04-20T21:05:25Z)

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。