AMI-FML：一种面向高级计量基础设施的隐私保护联邦机器学习框架
机器学习
2021-12-16 v2 系统与控制
系统与控制
摘要
基于机器学习（ML）的智能电表数据分析在高级计量基础设施（AMI）中的能源管理与需求响应应用中极具前景。为 AMI 开发分布式 ML 应用的一个关键挑战在于，在允许用户积极参与的同时保护用户隐私。本文针对该挑战，提出了一种面向 AMI 中 ML 应用的隐私保护联邦学习框架。我们将每个智能电表视为一个联邦边缘设备，托管一个 ML 应用，并周期性地与中央聚合器或数据集中器交换信息。为保护隐私，我们传输的是 ML 模型权重而非智能电表感知的原始数据。聚合器处理这些参数以构建鲁棒的 ML 模型，可替换至每个边缘设备。我们还讨论了在共享 ML 模型参数时增强隐私与提升通信效率的策略，这些策略适用于 AMI 中相对缓慢的网络连接。我们在一个改进短期负荷预测（STLF）的用例联邦 ML（FML）应用上验证了所提框架。我们使用长短期记忆（LSTM）循环神经网络（RNN）模型进行 STLF。在我们的架构中，假设有一个聚合器连接一组智能电表。聚合器利用从联邦智能电表接收到的学习模型梯度生成聚合的鲁棒 RNN 模型，从而提升个体与聚合 STLF 的预测精度。结果表明，FML 在保护终端用户数据隐私的同时提高了预测精度。
引用
@article{arxiv.2109.05666,
title = {AMI-FML: A Privacy-Preserving Federated Machine Learning Framework for AMI},
author = {Milan Biswal and Abu Saleh Md Tayeen and Satyajayant Misra},
journal= {arXiv preprint arXiv:2109.05666},
year = {2021}
}
备注
7 pages