DP$^2$-NILM：一种用于非侵入式负荷监测的分布式隐私保护框架
机器学习
2024-01-31 v1 人工智能
摘要
非侵入式负荷监测（NILM）通常利用机器学习方法，能有效地将家庭层面的智能电表读数分解为电器层面的消耗，可帮助分析用户用电行为并实现实用的智能能源与智能电网应用。近期研究提出了许多基于联邦深度学习（FL）的新型NILM框架。然而，缺乏在不同基于FL的NILM应用场景中探索效用优化方案与隐私保护方案的综合性研究。在本文中，我们首次尝试通过开发一种分布式且隐私保护的NILM（DP2-NILM）框架并基于真实世界智能电表数据集在实际NILM场景上进行对比实验，开展同时关注效用优化与隐私保护的基于FL的NILM研究。具体而言，效用优化方案中考察了两种可选的联邦学习策略，即FedAvg和FedProx。此外，DP2-NILM中提供了不同级别的隐私保证，即本地差分隐私联邦学习与全局差分隐私联邦学习。在三个真实世界数据集上进行了广泛的对比实验以评估所提框架。
引用
@article{arxiv.2207.00041,
title = {DP$^2$-NILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring},
author = {Shuang Dai and Fanlin Meng and Qian Wang and Xizhong Chen},
journal= {arXiv preprint arXiv:2207.00041},
year = {2024}
}