FedAR+：一种面向住宅建筑中含错标数据的电器识别联邦学习方法

随着人们生活水平的提高和通信技术的快速增长，住宅环境正变得智能且高度互联，大幅增加了总体能耗。由于家用电器是主要能耗者，对其识别对于避免无人看管使用、从而节约能源并使智能环境更具可持续性至关重要。电器识别模型传统上通过在中心服务器（服务提供商）收集客户（消费者）经智能插座记录的用电数据来进行训练，这造成了隐私泄露。此外，当电器接入非指定智能插座时，数据易出现噪声标签。在联合解决这些问题时，我们提出一种新颖的电器识别联邦学习方法 FedAR+，即使在含有错标训练数据的情况下，也能以隐私保护方式实现跨客户的去中心化模型训练。FedAR+ 引入一种自适应噪声处理方法，本质上是一个结合权重与标签分布的联合损失函数，使电器识别模型对噪声标签具有鲁棒性。通过在公寓楼内部署智能插座，我们收集了一个带标签数据集，该数据集与两个已有数据集一起用于评估 FedAR+ 的性能。实验结果表明，我们的方法可有效处理高达 $30\%$ 浓度的噪声标签，同时在准确率上大幅优于已有方案。