論文の概要: Initialization Is Critical: Advancing Federated Short-Term Load Forecasting under Load Heterogeneity via Model Initialization

• arxiv url: http://arxiv.org/abs/2608.27791v1
• Date: Fri, 28 Aug 2026 00:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.168228
• Title: Initialization Is Critical: Advancing Federated Short-Term Load Forecasting under Load Heterogeneity via Model Initialization
• Title（参考訳）: 初期化は重要:モデル初期化による負荷不均一下でのフェデレーション短期負荷予測の促進
• Abstract要約: 短期負荷予測(STLF)は電力システムに不可欠な情報を提供する。 フェデレートラーニング(FL)は、STLFの有望なプライバシー保護パラダイムとして登場した。
• 参考スコア（独自算出の注目度）: 7.10997036695277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-term load forecasting (STLF) provides essential information for numerous applications in modern power systems. However, accurate STLF often relies on fine-grained smart-meter data from distributed users, raising increasing concerns about data privacy. Federated learning (FL) has therefore emerged as a promising privacy-preserving paradigm for STLF. Nevertheless, this paper reveals structured heterogeneity in clients' load data. Specifically, clients exhibit different responses to exogenous factors and distinct temporal load profiles, which can degrade forecasting performance in FL. To mitigate these issues, this paper studies the role of model initialization in federated STLF, and proposes two initialization strategies from global and local perspectives. For global model initialization, when auxiliary public load data are available, a pretrained initialization strategy is developed to initialize the global model before federated training, thereby reducing client drift during the training process. For local model initialization, we propose SLIAvg, a sequential local initialization strategy that promotes a more consistent training process by allowing participating clients to start from progressively adapted models within each communication round. Since the proposed strategies only modify the initialization process, they are compatible with most existing FL frameworks and privacy-enhancing techniques. Experiments on real smart-meter data with two representative forecasting architectures demonstrate that the proposed strategies effectively improve forecasting performance, as evidenced by reduced client drift, improved convergence behavior, and lower forecasting errors.
• Abstract（参考訳）: 短期負荷予測(STLF)は、現代の電力システムにおける多くのアプリケーションに不可欠な情報を提供する。 しかし、正確なSTLFは、しばしば分散ユーザーからのきめ細かいスマートメーターデータに依存し、データのプライバシに関する懸念が高まる。 したがって、フェデレートラーニング(FL)はSTLFの有望なプライバシー保護パラダイムとして登場した。 それでも本論文は,クライアントの負荷データにおける構造的不均一性を明らかにする。 具体的には、クライアントは外因性要因と時間的負荷プロファイルに異なる応答を示し、FLの予測性能を低下させることができる。 これらの問題を緩和するために, フェデレーションSTLFにおけるモデル初期化の役割について検討し, グローバルおよびローカルの観点から2つの初期化戦略を提案する。 グローバルモデル初期化には、補助的な公共負荷データが利用できる場合、フェデレーショントレーニングの前にグローバルモデルを初期化する事前訓練初期化戦略が開発され、トレーニングプロセス中のクライアントのドリフトが減少する。 そこで我々は,SLIAvgを提案する。SLIAvgは,各通信ラウンド内で,段階的に適応されたモデルから参加クライアントをスタートさせることにより,より一貫したトレーニングプロセスを促進するシーケンシャルなローカル初期化戦略である。 提案手法は初期化プロセスのみを変更するため,既存のFLフレームワークやプライバシ向上技術と互換性がある。 2つの代表的な予測アーキテクチャを用いた実スマートメーターデータ実験により,クライアントドリフトの低減,収束挙動の改善,予測誤差の低減などにより,提案手法が予測性能を効果的に向上することを示した。

関連論文リスト

• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• FedPPA: Progressive Parameter Alignment for Personalized Federated Learning [0.9931624906346306]
  フェデレートラーニング(FL)は、複数のクライアントがデータを共有せずに協調的にモデルをトレーニングできる、分散されたプライバシ保護機械学習パラダイムとして設計されている。 実世界のシナリオでは、クライアントは不均一な計算資源を持ち、非独立で同一の分散データ(非IID)を保持し、トレーニング中に重大な課題を生じさせる。 本稿では,クライアント間の共通レイヤの重み付けとグローバルモデルの重み付けを段階的に整合させるプログレッシブアライメント(FedPPA)を提案する。 MNIST、FMNIST、CIFAR-10を含む3つの画像分類データセットの実験は、FedPPAが既存のFLアルゴリズムより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T14:03:05Z)
• Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting [1.492694722803554]
  本稿では,複雑な時間的データを予測するための高度なフェデレート学習(FL)フレームワークを提案する。 Gated Recurrent Unit(RU)モジュールをLong Short-Term Memory(LSTM)ネットワークに置き換える。 結果として生じるアーキテクチャは、様々な予測アプリケーションで複雑な時間パターンを扱う能力を大幅に改善します。
  論文  参考訳（メタデータ） (2025-03-06T15:16:57Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Federated Learning with Dynamic Client Arrival and Departure: Convergence and Rapid Adaptation via Initial Model Construction [24.71144869427636]
  ほとんどのフェデレートされた学習アプローチは、固定されたクライアントセットを前提とします。 現実のシナリオでは、クライアントが特定のタスクに対するニーズや関心に基づいてシステムに参加したり、去ったりすることが多い。 本稿では,クライアントがシステムに参加・離脱するたびに,新しいクライアントセットへの迅速な適応を可能にするアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-08T03:22:14Z)
• FedMAP: Personalised Federated Learning for Real Large-Scale Healthcare Systems [14.378330471182586]
  フェデレーテッド・ラーニング(FL)は、データのプライバシを保護しながら、医療現場での機械学習を可能にすることを約束する。 我々は,局所的な最大値(MAP)推定による統計的不均一性に対処するパーソナライズされたFLフレームワークであるFedMAPを紹介する。 局所トレーニング,FedAvg,PFL法を3つの大規模臨床データセットで比較検討した。
  論文  参考訳（メタデータ） (2024-05-29T11:28:06Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• 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)
• PRIOR: Personalized Prior for Reactivating the Information Overlooked in Federated Learning [16.344719695572586]
  各クライアントのグローバルモデルにパーソナライズされた事前知識を注入する新しいスキームを提案する。 提案したアプローチの中心は,Bregman Divergence (pFedBreD) による PFL フレームワークである。 提案手法は5つのデータセット上での最先端のパフォーマンスに到達し、8つのベンチマークで最大3.5%性能を向上する。
  論文  参考訳（メタデータ） (2023-10-13T15:21:25Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)

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。