利用个性化层解决联邦负载预测中的异质性
机器学习
2024-04-03 v1 信号处理
摘要
智能电表的普及使得能够广泛收集能源消耗数据，用于训练短期负荷预测模型。为应对隐私问题，联邦学习（FL）被提出作为一种隐私保护的训练方法，但当客户端数据变得异质时，训练模型的质量会下降。本文提出在一个称为PL-FL的通用框架中使用个性化层进行负载预测。我们证明PL-FL优于FL和纯本地训练，同时所需的通信带宽低于FL。通过在NREL ComStock存储库中的三个不同数据集上进行大量仿真，验证了这一点。
引用
@article{arxiv.2404.01517,
title = {Addressing Heterogeneity in Federated Load Forecasting with Personalization Layers},
author = {Shourya Bose and Yu Zhang and Kibaek Kim},
journal= {arXiv preprint arXiv:2404.01517},
year = {2024}
}