Fugu-MT 論文翻訳(概要): Local Differential Privacy for Smart Meter Data Sharing

論文の概要: Local Differential Privacy for Smart Meter Data Sharing

arxiv url: http://arxiv.org/abs/2311.04544v1
Date: Wed, 8 Nov 2023 09:22:23 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 16:25:34.726216
Title: Local Differential Privacy for Smart Meter Data Sharing
Title（参考訳）: スマートメータデータ共有のための局所微分プライバシー
Authors: Yashothara Shanmugarasa, M.A.P. Chamikara, Hye-young Paik, Salil S. Kanhere, Liming Zhu
Abstract要約: ローカルディファレンシャルプライバシ(LDP)メソッドは、プライバシの懸念に対処する上で、高い効率で強力なプライバシ保証を提供する。スライドウィンドウを用いたランダム化応答手法を用いた新しいLPP手法(LDP-SmartEnergy)を提案する。評価の結果, LDP-SmartEnergy はベースライン法と比較して効率よく動作することがわかった。
参考スコア（独自算出の注目度）: 13.362785829428457
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Energy disaggregation techniques, which use smart meter data to infer appliance energy usage, can provide consumers and energy companies valuable insights into energy management. However, these techniques also present privacy risks, such as the potential for behavioral profiling. Local differential privacy (LDP) methods provide strong privacy guarantees with high efficiency in addressing privacy concerns. However, existing LDP methods focus on protecting aggregated energy consumption data rather than individual appliances. Furthermore, these methods do not consider the fact that smart meter data are a form of streaming data, and its processing methods should account for time windows. In this paper, we propose a novel LDP approach (named LDP-SmartEnergy) that utilizes randomized response techniques with sliding windows to facilitate the sharing of appliance-level energy consumption data over time while not revealing individual users' appliance usage patterns. Our evaluations show that LDP-SmartEnergy runs efficiently compared to baseline methods. The results also demonstrate that our solution strikes a balance between protecting privacy and maintaining the utility of data for effective analysis.
Abstract（参考訳）: スマートメーターデータを用いて家電のエネルギー使用量を推定するエネルギーデアグリゲーション技術は、消費者やエネルギー会社にエネルギー管理に関する貴重な洞察を提供する。しかし、これらの手法は、行動プロファイリングの可能性など、プライバシー上のリスクも提示する。ローカルディファレンシャルプライバシ(LDP)メソッドは、プライバシー問題に対処する上で高い効率で強力なプライバシ保証を提供する。しかし,既存のLCP法は,個々の家電製品よりも集積エネルギー消費データ保護に重点を置いている。さらに、これらの手法は、スマートメーターデータがストリーミングデータの形式であるという事実を考慮せず、その処理方法は時間ウィンドウを考慮すべきである。本稿では,スライディングウインドウを用いたランダム化応答手法を用いて,各ユーザの家電利用パターンを明らかにせず,時間とともに家電レベルのエネルギー消費データの共有を容易にする新しいldp手法(ldp-smartenergy)を提案する。評価の結果, LDP-SmartEnergy はベースライン法と比較して効率よく動作することがわかった。また,本手法は,プライバシー保護と有効分析のためのデータの有効性維持のバランスを崩すことを実証した。

関連論文リスト

TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
論文参考訳（メタデータ） (2024-11-09T21:26:59Z)
Just In Time Transformers [2.7350304370706797]
JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
論文参考訳（メタデータ） (2024-10-22T10:33:00Z)
Differentially Private Publication of Electricity Time Series Data in Smart Grids [8.87717126222646]
地理的地域における電力消費の時系列は、消費者の行動研究やエネルギー政策決定の指針となる貴重なデータ源である。しかし、そのようなデータの公開は、個人の習慣やライフスタイルに関する繊細な詳細を明らかにする可能性があるため、重要なプライバシー問題を引き起こす。本稿では,DP 準拠の電力消費データ公開のための新手法である EmT (S Private Timeseries) を紹介する。
論文参考訳（メタデータ） (2024-08-24T23:30:09Z)
Proactive Load-Shaping Strategies with Privacy-Cost Trade-offs in Residential Households based on Deep Reinforcement Learning [7.808916974942399]
本稿では,ユーザプライバシ保護のための深層強化学習に基づくロードシェイピングアルゴリズム(PLS-DQN)を提案する。我々は,提案アルゴリズムを非侵入的負荷監視敵に対して評価する。
論文参考訳（メタデータ） (2024-05-29T08:45:04Z)
Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
論文参考訳（メタデータ） (2023-11-15T23:23:42Z)
Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文参考訳（メタデータ） (2023-08-08T04:52:19Z)
Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
論文参考訳（メタデータ） (2021-08-02T03:56:35Z)
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)
Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning [0.7106986689736826]
本稿では,アタックとしてAdversarial Machine Learning Occupancy Detection Avoidance (AMLODA) フレームワークを導入する。基本的に、提案するプライバシー保護フレームワークは、リアルタイムまたはほぼリアルタイムの電力使用情報を隠すように設計されている。以上の結果から,提案手法はユーザのプライバシを強く支持することを示す。
論文参考訳（メタデータ） (2020-10-23T20:02:48Z)
Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文参考訳（メタデータ） (2020-02-21T02:14:38Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。