面向多流不完整信号的基于联邦数据融合的预后模型

大多数预后方法需要相当数量的数据用于模型训练。然而在现实中，单个组织拥有的历史数据量可能较小或不足以训练可靠的预后模型。为应对这一挑战，本文提出一种联邦预后模型，允许多个用户利用其多流、高维且不完整的数据联合构建失效时间预测模型，同时保证各用户数据的本地性与机密性。该预后模型首先采用多元函数主成分分析融合多流退化信号。随后，将融合特征与失效时间相结合，构建（对数）位置-尺度回归模型用于失效预测。为使用分布式数据集估计参数并保护所有参与方的数据隐私，我们提出了一种新的用于特征提取的联邦算法。数值研究表明，所提模型的性能与经典非联邦预后模型相当，且优于各用户单独构建的模型。