論文の概要: Towards Secure and Scalable Energy Theft Detection: A Federated Learning Approach for Resource-Constrained Smart Meters

• arxiv url: http://arxiv.org/abs/2602.16181v1
• Date: Wed, 18 Feb 2026 04:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.513361
• Title: Towards Secure and Scalable Energy Theft Detection: A Federated Learning Approach for Resource-Constrained Smart Meters
• Title（参考訳）: 安全・スケーラブルなエネルギー盗難検知に向けて:資源制約型スマートメータのためのフェデレートラーニングアプローチ
• Authors: Diego Labate, Dipanwita Thakur, Giancarlo Fortino,
• Abstract要約: エネルギー盗難はスマートグリッドの安定性と効率に重大な脅威をもたらす。 盗難検出のための従来の機械学習アプローチでは、ユーザデータを集約する必要がある。 エネルギー盗難検知のためのプライバシ保護フェデレーション学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.9736210593544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy theft poses a significant threat to the stability and efficiency of smart grids, leading to substantial economic losses and operational challenges. Traditional centralized machine learning approaches for theft detection require aggregating user data, raising serious concerns about privacy and data security. These issues are further exacerbated in smart meter environments, where devices are often resource-constrained and lack the capacity to run heavy models. In this work, we propose a privacy-preserving federated learning framework for energy theft detection that addresses both privacy and computational constraints. Our approach leverages a lightweight multilayer perceptron (MLP) model, suitable for deployment on low-power smart meters, and integrates basic differential privacy (DP) by injecting Gaussian noise into local model updates before aggregation. This ensures formal privacy guarantees without compromising learning performance. We evaluate our framework on a real-world smart meter dataset under both IID and non-IID data distributions. Experimental results demonstrate that our method achieves competitive accuracy, precision, recall, and AUC scores while maintaining privacy and efficiency. This makes the proposed solution practical and scalable for secure energy theft detection in next-generation smart grid infrastructures.
• Abstract（参考訳）: エネルギー盗難はスマートグリッドの安定性と効率に重大な脅威をもたらし、経済的損失と運用上の課題に繋がる。 盗難検出のための従来の集中型機械学習アプローチでは、ユーザデータを集約し、プライバシとデータセキュリティに関する深刻な懸念を提起する必要がある。 これらの問題はスマートメーター環境においてさらに悪化しており、デバイスはしばしばリソースの制約を受け、重いモデルを実行する能力が欠如している。 本研究では,プライバシと計算制約の両方に対処するエネルギー盗難検出のための,プライバシ保護フェデレーション学習フレームワークを提案する。 提案手法では,低消費電力スマートメータへの展開に適した軽量多層パーセプトロン(MLP)モデルを活用し,ガウス雑音を局所モデル更新に注入することにより,基本差分プライバシー(DP)を統合する。 これにより、学習性能を損なうことなく、正式なプライバシ保証が保証される。 IIDデータと非IIDデータの両方を用いて,実世界のスマートメーターデータセット上でのフレームワークの評価を行った。 実験により,プライバシと効率を保ちながら,競合精度,精度,リコール,AUCスコアを達成できることが実証された。 これにより、提案したソリューションは、次世代のスマートグリッドインフラストラクチャにおいて、安全なエネルギー盗難検出のために実用的でスケーラブルである。

関連論文リスト

• Smart Energy Guardian: A Hybrid Deep Learning Model for Detecting Fraudulent PV Generation [13.146806294562474]
  本研究では,住宅用太陽光発電における不正行為を正確に識別する効率的な電気盗難検出手法を提案する。 CNN、Long Short-Term Memory(LSTM)、Transformerを組み合わせたハイブリッドディープラーニングモデルでは、短期的および長期的両方の時間的依存関係の取得に優れています。
  論文  参考訳（メタデータ） (2025-05-24T15:47:00Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Leveraging A New GAN-based Transformer with ECDH Crypto-system for Enhancing Energy Theft Detection in Smart Grid [16.031989793237152]
  分割学習は、エネルギー盗難を特定するための有望な機械学習技術である。 従来の分割学習アプローチは、プライバシー漏洩攻撃に弱い。 本稿では, GAN-Transformer を用いた分割学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T03:41:38Z)
• Privacy-Preserving Power Flow Analysis via Secure Multi-Party Computation [1.8006898281412764]
  本稿では,暗号的に隠されたプロシューマーデータに対して,電力フロー解析を行う方法を示す。 ユニバーサル・コンポーザビリティ・フレームワークにおける我々のアプローチの安全性について分析する。
  論文  参考訳（メタデータ） (2024-11-21T20:04:16Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
  我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。 以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
  論文  参考訳（メタデータ） (2024-05-20T14:43:46Z)
• 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)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• Differentially Private Federated Learning for Resource-Constrained Internet of Things [24.58409432248375]
  フェデレーション学習は、中央にデータをアップロードすることなく、分散されたスマートデバイスから大量のデータを分析できる。 本稿では、IoTのリソース制約されたスマートデバイスにまたがるデータから機械学習モデルを効率的にトレーニングするためのDP-PASGDと呼ばれる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） (2020-03-28T04:32:54Z)

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。