Fugu-MT 論文翻訳(概要): HXAI: Hierarchical Privacy-Preserving Explainable AI in Distributed Energy Systems

論文の概要: HXAI: Hierarchical Privacy-Preserving Explainable AI in Distributed Energy Systems

arxiv url: http://arxiv.org/abs/2610.02504v1
Date: Thu, 01 Oct 2026 21:26:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.091531
Title: HXAI: Hierarchical Privacy-Preserving Explainable AI in Distributed Energy Systems
Title（参考訳）: HXAI: 分散型エネルギーシステムにおける階層的プライバシ保護型説明可能なAI
Abstract要約: グリッドオペレーターは、ピーク負荷を管理し、応答性のある関税を設計するために、家庭のエネルギー消費に関するきめ細かい、決定に関連のある洞察を必要とします。従来の説明可能なAI(XAI)の方法は機密情報を明らかにするが、標準的なプライバシー技術は説明の有用性を低下させる。 HXAIは、グリッドレベルの需要管理に対して合理的に説明可能な分析を可能にするとともに、プライバシを保護する階層的なフレームワークである。
参考スコア（独自算出の注目度）: 4.457502798302293
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Balancing electricity demand and supply is increasingly difficult due to the inherent intermittency of renewable power generation and the stochastic power consumption. Grid operators require fine-grained, decision-relevant insights into household energy consumption to manage peak loads and design responsive tariffs, but increased transparency at this level raises significant privacy concerns. Traditional methods for explainable AI (XAI) can reveal sensitive information, while standard privacy techniques often reduce the usefulness of explanations. To address this issue, we introduce HXAI, a hierarchical framework that preserves privacy while enabling reasonable explainable analysis for grid-level demand management. HXAI consists of two main components: (1) a local model that generates fine-grained explanations within a secure, private environment, and (2) a zonal model that aggregates these explanations to support grid-level analysis while enforcing privacy through flexible privacy-budget management. We explicitly limit cumulative privacy exposure under repeated operator queries and show that the proposed framework preserves decision-relevant information without compromising household privacy. Experiments on both simulated and real-world energy datasets demonstrate that HXAI provides useful insights for zonal load management while ensuring that appliance-level consumption remains local and is never transmitted to grid operators. Our results show that preserving the semantic structure of explanations, rather than minimizing numerical error, is the key to XAI under differential privacy. This framework provides a way to achieve both privacy and explainability in energy management.
Abstract（参考訳）: 再生可能エネルギーの本来の断続性と確率的電力消費のため、電力需要と供給の均衡はますます困難になっている。グリッドオペレーターは、ピーク負荷を管理し、応答性のある関税を設計するために、家庭のエネルギー消費に関するきめ細かな、決定に関連した洞察を必要とするが、このレベルでの透明性の向上は、プライバシーの懸念を著しく高める。従来の説明可能なAI(XAI)の方法は機密情報を明らかにするが、標準的なプライバシー技術は説明の有用性を低下させる。この問題に対処するため,我々は,グリッドレベルの需要管理において合理的に説明可能な分析を可能にするとともに,プライバシを保護する階層的なフレームワークであるHXAIを紹介した。 HXAIは,(1)セキュアでプライベートな環境におけるきめ細かい説明を生成する局所モデル,(2)グリッドレベルの分析を支援するために,柔軟性のあるプライバシー予算管理を通じてプライバシを強制する地域モデル,の2つの構成要素から構成される。繰り返し演算子クエリによる累積的なプライバシ露出を明示的に制限し, 家計のプライバシを損なうことなく, 意思決定関連情報を保存していることを示す。シミュレーションと実世界のエネルギーデータセットに関する実験は、HXAIが地域負荷管理に有用な洞察を提供しながら、アプライアンスレベルの消費が局所的であり、グリッド演算子に送信されないことを実証している。以上の結果から,数値誤差を最小限に抑えるのではなく,説明の意味構造を保存することが,差分プライバシー下でのXAIの鍵であることが示唆された。このフレームワークは、エネルギー管理におけるプライバシーと説明可能性の両方を達成する手段を提供する。

関連論文リスト

Demystifying the Privacy-Utility Trade-off in LLM Interactions [17.156111398729863]
本稿では,動的抽出・消毒・回復パイプラインを駆動する軽量モデルVeilmind-4Bを提案する。当社のアプローチは,従来のプライバシ指向のベースラインよりもはるかに高い応答性を維持しつつ,低遅延のプライバシポイントに達する。
論文参考訳（メタデータ） (2026-09-10T02:12:51Z)
Urban Power Grid Topology and Hierarchy Identification from Open Data [53.468443050795344]
本稿では,都市電力グリッドトポロジの同定のためのオープンデータ駆動型フレームワークを開発する。公共インフラのデータ(電力線、サブステーション、トランスフォーマー、ポール)を融合して、高電圧と中電圧のスケルトンをマッピングします。次に、OpenStreetMap上の地理空間機械学習を活用して、電力需要クラスタをグループ化する。我々は、7,330の建物と主要な電力インフラ資産をつなぐ完全なグリッドトポロジを再構築する。
論文参考訳（メタデータ） (2026-06-19T11:51:38Z)
X-NegoBox: An Explainable Privacy-Budget Negotiation Framework for Secure Peer-to-Peer Energy Data Exchange [4.457502798302293]
現代のエネルギーシステムの分散化は、消費者を、アグリゲーター、ピア、および市場オペレーターとデータを継続的に交換するプロシューマーに変身させています。既存のデータ共有メカニズムは、信頼性、データ感度、要求目的のバリエーションに適応する能力を制限する、固定されたポリシーや事前定義された差分プライバシー予算に依存している。適応型プライバシ予算と透明な意思決定のための,説明可能な交渉フレームワークであるX-NegoBoxを提案する。
論文参考訳（メタデータ） (2026-04-27T11:18:55Z)
Subgraph Federated Learning via Spectral Methods [52.40322201034717]
FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
論文参考訳（メタデータ） (2025-10-29T16:22:32Z)
On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
論文参考訳（メタデータ） (2025-09-03T14:18:22Z)
PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
論文参考訳（メタデータ） (2025-05-13T16:27:07Z)
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)
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)

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。