論文の概要: FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction
- arxiv url: http://arxiv.org/abs/2309.10337v1
- Date: Tue, 19 Sep 2023 05:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 16:05:23.788032
- Title: FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction
- Title（参考訳）: FedWOA:再生可能エネルギー予測のための鯨最適化アルゴリズムを用いたフェデレーション学習モデル
- Authors: Viorica Chifu, Tudor Cioara, Cristian Anitiei, Cristina Pop, Ionut
Anghel
- Abstract要約: 本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。
その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Privacy is important when dealing with sensitive personal information in
machine learning models, which require large data sets for training. In the
energy field, access to household prosumer energy data is crucial for energy
predictions to support energy grid management and large-scale adoption of
renewables however citizens are often hesitant to grant access to cloud-based
machine learning models. Federated learning has been proposed as a solution to
privacy challenges however report issues in generating the global prediction
model due to data heterogeneity, variations in generation patterns, and the
high number of parameters leading to even lower prediction accuracy. This paper
addresses these challenges by introducing FedWOA a novel federated learning
model that employs the Whale Optimization Algorithm to aggregate global
prediction models from the weights of local LTSM neural network models trained
on prosumer energy data. The proposed solution identifies the optimal vector of
weights in the search spaces of the local models to construct the global shared
model and then is subsequently transmitted to the local nodes to improve the
prediction quality at the prosumer site while for handling non-IID data K-Means
was used for clustering prosumers with similar scale of energy data. The
evaluation results on prosumers energy data have shown that FedWOA can
effectively enhance the accuracy of energy prediction models accuracy by 25%
for MSE and 16% for MAE compared to FedAVG while demonstrating good convergence
and reduced loss.
- Abstract（参考訳）: プライバシは、トレーニングに大規模なデータセットを必要とするマシンラーニングモデルにおいて、機密性の高い個人情報を扱う上で重要である。
エネルギー分野において、エネルギーグリッド管理と大規模再生可能エネルギーの導入をサポートするためにエネルギー予測には家庭内消費エネルギーデータへのアクセスが不可欠であるが、市民はしばしばクラウドベースの機械学習モデルへのアクセスを許可することをためらっている。
フェデレートラーニングは、プライバシー問題に対する解決策として提案されているが、データの不均一性、生成パターンの変化、予測精度の低下につながるパラメータの多さによるグローバル予測モデルの生成に関する問題を報告している。
本稿では、Whale Optimization Algorithmを用いたフェデレーション学習モデルであるFedWOAを導入し、プロシューマーエネルギーデータに基づいてトレーニングされたローカルLTSMニューラルネットワークモデルの重みからグローバル予測モデルを集約する。
提案手法は,局所モデルの探索空間における重みの最適ベクトルを同定し,大域的共有モデルを構築し,その後,局所ノードに送信し,非iidデータk-meansを処理しながら,推定サイトの予測品質を向上させる。
その結果,FedWOAは,FedAVGと比較してMSEの25%,MAEの16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Clustering-based Multitasking Deep Neural Network for Solar Photovoltaics Power Generation Prediction [16.263501526929975]
本稿では,PV発電予測のためのマルチタスクディープニューラルネットワーク(CM-DNN)フレームワークを提案する。
各タイプに対して、ディープニューラルネットワーク(DNN)が採用され、精度が向上するまで訓練される。
特定の顧客タイプに対しては、トレーニング精度を高めるためにモデル間知識伝達を行う。
提案するCM-DNNは、現実のPV発電データセット上でテストされる。
論文 参考訳（メタデータ） (2024-05-09T00:08:21Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:27:55Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - 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) - 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) - 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) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
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。