論文の概要: Privacy-Preserving Generation Fraud Detection for Distributed Photovoltaic Systems: A Solar Irradiance-Fused Federated Learning Framework

• arxiv url: http://arxiv.org/abs/2605.17039v1
• Date: Sat, 16 May 2026 15:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.51011
• Title: Privacy-Preserving Generation Fraud Detection for Distributed Photovoltaic Systems: A Solar Irradiance-Fused Federated Learning Framework
• Title（参考訳）: 分散型太陽光発電システムにおけるプライバシ保護生成フレード検出:太陽放射利用フェデレーション学習フレームワーク
• Authors: Xiaolu Chen, Chenghao Huang, Yanru Zhang, Hao Wang,
• Abstract要約: 本稿では,フェデレートラーニング(FL)に基づくプライバシー保護型分散PVG-FDフレームワークを開発する。 FLフレームワークは、モデルパラメータとプロトタイプを集約することで、コミュニティ間のコラボレーションを可能にする。 実世界の住宅用PVデータセットの実験により, 本手法の有効性が検証された。
• 参考スコア（独自算出の注目度）: 11.389706928654965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The wide adoption of residential photovoltaic (PV) systems introduces new challenges for generation fraud detection (FD). Unlike traditional electricity theft detection, which focuses on electricity consumption-side behavior, PV generation fraud detection (PVG-FD) is complicated by the inherent intermittency and uncertainty of PV generation. The distributed nature of PV systems poses further challenges for centralized PVG-FD approaches due to scalability and privacy concerns. This paper develops a privacy-preserving distributed PVG-FD framework based on federated learning (FL). In this framework, a utility company manages multiple household communities, where each of which is equipped with a local detector. The framework integrates a novel detection model architecture with privacy-preserving global collaboration. Each community's local model fuses PV generation and weather data via a co-attention mechanism to detect discrepancies critical for PVG-FD. The FL framework enables cross-community collaboration by aggregating model parameters and prototypes, leveraging global knowledge sharing with local refinement while preserving privacy. It also uses prototype alignment to address class imbalance by enhancing fraud sample representation. Extensive experiments on a real-world residential PV dataset validate the effectiveness of the developed method and demonstrate that it outperforms state-of-the-art FL methods across various scenarios. The results also show its scalability across varying community sizes and strong robustness to class imbalance.
• Abstract（参考訳）: 住宅用太陽光発電(PV)システムの普及により、世代間不正検出(FD)の新たな課題がもたらされる。 電力消費側の振る舞いに焦点を当てた従来の電気盗難検出とは異なり、PV生成不正検出(PVG-FD)は、PV生成の本質的にの断続性と不確実性によって複雑である。 PVシステムの分散特性は、スケーラビリティとプライバシの懸念から、集中型PVG-FDアプローチにさらなる課題をもたらす。 本稿では,フェデレートラーニング(FL)に基づくプライバシー保護型分散PVG-FDフレームワークを開発する。 この枠組みでは、ユーティリティ会社が複数の家庭コミュニティを管理し、それぞれにローカル検出器を備えている。 このフレームワークは、新しい検出モデルアーキテクチャとプライバシー保護グローバルコラボレーションを統合している。 各コミュニティのローカルモデルは、PVG-FDに不可欠な相違を検出するために、コアテンションメカニズムを介してPV生成と天気データを融合する。 FLフレームワークは、モデルパラメータとプロトタイプを集約し、グローバルな知識共有をローカルな洗練と活用し、プライバシを保存することで、コミュニティ間のコラボレーションを可能にする。 また、不正なサンプル表現を強化することで、クラス不均衡に対処するためにプロトタイプアライメントを使用する。 実世界の住宅用PVデータセットの大規模な実験により, 開発手法の有効性を検証し, 様々なシナリオにおいて最先端のFL法より優れていることを示す。 結果はまた、様々なコミュニティサイズにまたがるスケーラビリティと、クラス不均衡に対する強力な堅牢性を示している。

関連論文リスト

• SFedHIFI: Fire Rate-Based Heterogeneous Information Fusion for Spiking Federated Learning [52.27042894010677]
  スパイキングフェデレートラーニング(SFL)はスパイキングニューラルネットワーク(SNN)のエネルギー効率で広く研究されている。 SFedHIFIは,火災速度に基づく異種情報融合を用いた新しいスパイキングフェデレート学習フレームワークである。
  論文  参考訳（メタデータ） (2026-03-16T08:13:03Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks [56.983319121358555]
  フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、敵の行動に弱いままである。 本稿では,予測精度とグループフェアネスを同時に損なう新たな脅威モデルであるデュアル顔攻撃(DFA)を紹介する。 本稿では,少量のクリーンサーバデータを用いて,公正な参照モデルを維持する自己適応型防衛フレームワークであるGuardFedを提案する。
  論文  参考訳（メタデータ） (2025-11-12T13:02:45Z)
• Season-Independent PV Disaggregation Using Multi-Scale Net Load Temporal Feature Extraction and Weather Factor Fusion [13.146806294562474]
  本稿では,階層的補間(HI)と多頭部自己認識機構を統合したPV分解法を提案する。 HIを用いて、気象要因間の複雑な依存関係を捉えるために、ネット負荷特徴とマルチヘッド自己注意を抽出することにより、正確なPV生成予測を実現する。
  論文  参考訳（メタデータ） (2025-05-24T15:25:46Z)
• Privacy-Preserving Personalized Federated Learning for Distributed Photovoltaic Disaggregation under Statistical Heterogeneity [13.146806294562474]
  パーソナライズド・フェデレーション・ラーニング(PFL)を用いて,プライバシー保護型分散PVデアグリゲーションフレームワークを提案する。 提案手法は局所モデリングとグローバルモデリングを組み合わせた2段階のフレームワークを用いる。 実世界のデータを用いた実験では,提案フレームワークの有効性が示され,ベンチマーク手法と比較して精度と堅牢性が向上した。
  論文  参考訳（メタデータ） (2025-04-25T05:09:27Z)
• Can We Reliably Improve the Robustness to Image Acquisition of Remote Sensing of PV Systems? [0.8192907805418583]
  屋上PV設置のリモートセンシングは、屋根上PV設置車両の地域規模での進化を監視する最良の選択肢である。 我々は、宇宙スケール領域におけるモデルの予測を分解するウェーブレットスケール属性法(WCAM)を利用する。 WCAMにより、PVモデルのどのスケールが残留しているかを評価することができ、取得条件に対するロバスト性を改善する手法を導出するための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-21T16:15:56Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)

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。