論文の概要: Federated Learning for Water Consumption Forecasting in Smart Cities

• arxiv url: http://arxiv.org/abs/2301.13036v1
• Date: Mon, 30 Jan 2023 16:26:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 13:55:33.138545
• Title: Federated Learning for Water Consumption Forecasting in Smart Cities
• Title（参考訳）: スマートシティにおける水消費予測のためのフェデレートラーニング
• Authors: Mohammed El Hanjri, Hibatallah Kabbaj, Abdellatif Kobbane, Amine Abouaomar
• Abstract要約: 水の消費は、世界の将来の課題の中で大きな関心事である。 ディープラーニングモデルは、スマートシティで大量の消費データを使用して訓練されている。 本稿では,スマートシティにおける水消費予測の新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.4716081340827007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Water consumption remains a major concern among the world's future challenges. For applications like load monitoring and demand response, deep learning models are trained using enormous volumes of consumption data in smart cities. On the one hand, the information used is private. For instance, the precise information gathered by a smart meter that is a part of the system's IoT architecture at a consumer's residence may give details about the appliances and, consequently, the consumer's behavior at home. On the other hand, enormous data volumes with sufficient variation are needed for the deep learning models to be trained properly. This paper introduces a novel model for water consumption prediction in smart cities while preserving privacy regarding monthly consumption. The proposed approach leverages federated learning (FL) as a machine learning paradigm designed to train a machine learning model in a distributed manner while avoiding sharing the users data with a central training facility. In addition, this approach is promising to reduce the overhead utilization through decreasing the frequency of data transmission between the users and the central entity. Extensive simulation illustrate that the proposed approach shows an enhancement in predicting water consumption for different households.
• Abstract（参考訳）: 水の消費は世界の今後の課題の中で大きな関心事である。 負荷監視や需要応答といったアプリケーションでは、ディープラーニングモデルはスマートシティで大量の消費データを使用してトレーニングされる。 一方、使用する情報はプライベートである。 例えば、スマートメーターによって収集された正確な情報は、コンシューマの自宅にあるシステムのIoTアーキテクチャの一部であり、アプライアンスの詳細を与え、その結果、自宅での消費者の行動を示すことができる。 一方で、ディープラーニングモデルが適切にトレーニングされるためには、十分なばらつきを持つ膨大なデータボリュームが必要である。 本稿では,スマートシティにおける水消費予測の新しいモデルを提案する。 提案手法では,ユーザデータを中央トレーニング施設と共有することを避けながら,機械学習モデルを分散的にトレーニングするための機械学習パラダイムとして,フェデレートラーニング(FL)を利用する。 さらに、このアプローチは、ユーザと中央エンティティ間のデータ転送の頻度を減らし、オーバヘッド利用を減らすことを約束している。 大規模シミュレーションにより, 提案手法は, 世帯ごとの水消費予測の強化を示す。

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)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Non-intrusive Water Usage Classification Considering Limited Training Data [5.935761705025763]
  家電の使用状況を連続的に監視するための家庭内水消費のスマート測定は, 人々の水環境保全に対する行動に影響を及ぼすことが示されている。 現在、各家電をモニタする複数のセンサの設置は、初期コストが高く、その結果、センサを使用して異なる家電の消費を監視することは、費用対効果が低い。 そこで本研究では,家庭内水消費の総量を用いて,単一および重なり合う家庭用水利用イベントを分類するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-02T11:57:36Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• FedKD: Communication Efficient Federated Learning via Knowledge Distillation [56.886414139084216]
  フェデレーション学習は、分散データからインテリジェントモデルを学ぶために広く使用されている。 フェデレートラーニングでは、クライアントはモデルラーニングの各イテレーションでローカルモデルの更新を伝える必要がある。 本稿では,知識蒸留に基づくコミュニケーション効率のよいフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2021-08-30T15:39:54Z)
• DER Forecast using Privacy Preserving Federated Learning [0.0]
  分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。 提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
  論文  参考訳（メタデータ） (2021-07-07T14:25:43Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Privacy Enhancing Machine Learning via Removal of Unwanted Dependencies [21.97951347784442]
  本稿では,特定のアプリケーションに送信される前に,データ中のセンシティブな情報を除去する,教師付き・敵対型学習手法の新たな変種について検討する。 提案手法は,エンド・ツー・エンド方式で特徴マッピングと予測モデルを同時に保存するプライバシー保護を最適化する。 モバイルセンシングと顔データを用いた実験結果から,予測モデルの実用性能の維持に成功し,予測性能の低下を招いた。
  論文  参考訳（メタデータ） (2020-07-30T19:55:10Z)
• UVeQFed: Universal Vector Quantization for Federated Learning [179.06583469293386]
  フェデレートラーニング(FL)は、ユーザがプライベートラベル付きデータを共有することなく、そのような学習モデルをトレーニングする、新たなアプローチである。 FLでは、各ユーザが学習モデルのコピーをローカルにトレーニングする。その後、サーバは個々の更新を収集し、それらをグローバルモデルに集約する。 普遍ベクトル量子化法をFLと組み合わせることで、訓練されたモデルの圧縮が最小歪みのみを誘導する分散トレーニングシステムが得られることを示す。
  論文  参考訳（メタデータ） (2020-06-05T07:10:22Z)
• Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
  近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。 FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。 これにより、FLを大規模に実装する際の通信コストの課題が提起される。
  論文  参考訳（メタデータ） (2020-04-06T15:31:54Z)

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。