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
- 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) - 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) - Theoretically Principled Federated Learning for Balancing Privacy and
Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。
フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文 参考訳(メタデータ) (2023-05-24T13:44:02Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - 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) - 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) - 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) - 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。