一种面向居民短期负荷预测的安全联邦学习框架
密码学与安全
2023-03-29 v2 人工智能
分布式、并行与集群计算
机器学习
摘要
智能电表测量数据虽对准确需求预测至关重要，却面临诸多弊端，包括消费者隐私、数据泄露等问题。近期文献已将联邦学习 (FL) 探索为一种有前景的隐私保护机器学习替代方案，其能在不暴露私有原始数据的情况下实现模型协同学习，用于短期负荷预测。尽管有其优点，标准 FL 仍易受到由故障和/或恶意客户端发起的、被称为拜占庭攻击的棘手网络威胁。因此，为提升联邦短期负荷预测抵御拜占庭威胁的鲁棒性，我们开发了一种最先进的差分隐私安全 FL 框架，在确保个体智能电表数据隐私的同时保护 FL 模型与架构的安全。我们提出的框架借助 SignSGD（符号随机梯度下降）算法中的梯度量化思想，客户端在本地模型训练后仅将梯度的“符号”传输至控制中心。正如我们通过涉及基准神经网络与一组拜占庭攻击模型的实验所凸显的，所提方法能相当有效地缓解此类威胁，从而优于传统的 Fed-SGD 模型。
引用
@article{arxiv.2209.14547,
title = {A Secure Federated Learning Framework for Residential Short Term Load Forecasting},
author = {Muhammad Akbar Husnoo and Adnan Anwar and Nasser Hosseinzadeh and Shama Naz Islam and Abdun Naser Mahmood and Robin Doss},
journal= {arXiv preprint arXiv:2209.14547},
year = {2023}
}