面向工业应用的预测性维护与质量检测的联邦学习
机器学习
2023-04-24 v1
摘要
数据驱动的机器学习在工业 4.0 的 advancement 中发挥着关键作用，特别是在提升预测性维护与质量检测方面。联邦学习（FL）使多个参与方能够开发机器学习模型，而不损害其数据的隐私与机密性。本文中，我们评估了不同 FL 聚合方法的性能，并将其与集中式与本地训练方法比较。我们的研究基于四个具有不同数据分布的数据集。结果表明，FL 的性能高度依赖于数据及其在客户端间的分布。在某些场景中，FL 可成为传统集中式或本地训练方法的有效替代方案。此外，我们引入了一个来自真实质量检测场景的新联邦学习数据集。
引用
@article{arxiv.2304.11101,
title = {Federated Learning for Predictive Maintenance and Quality Inspection in Industrial Applications},
author = {Viktorija Pruckovskaja and Axel Weissenfeld and Clemens Heistracher and Anita Graser and Julia Kafka and Peter Leputsch and Daniel Schall and Jana Kemnitz},
journal= {arXiv preprint arXiv:2304.11101},
year = {2023}
}