从分子到工艺：联邦学习视角
机器学习
2025-06-24 v1 化学物理
摘要
我们提出了化工领域联邦学习的视角，构想化工企业在机器学习（ML）开发方面的协作合作。化工和工艺数据为大公司所拥有，因而被封存在数据孤岛中，阻碍了在化工工程中大规模数据集上训练ML模型。近年来，联邦学习概念在ML研究中受到日益关注，使组织能够在不披露个人数据的情况下联合训练机器学习模型。我们讨论了联邦学习在化工工程多个领域的潜在应用，涵盖从分子尺度到工艺尺度。此外，我们在两个示例案例中应用联邦学习，模拟多个化工公司持有专有数据集的实际场景：（i）使用图神经网络预测二元混合物活度系数；（ii）使用自动编码器进行蒸馏塔系统辨识。我们的结果表明，联邦学习训练的ML模型在准确率上显著高于各化工公司单独训练的模型，能够与来自所有公司组合数据集训练的模型相当。因此，联邦学习在尊重企业数据隐私的前提下具有巨大的潜力推进化工工程中的ML模型，具有为未来工业应用的前景。
引用
@article{arxiv.2506.18525,
title = {Federated Learning from Molecules to Processes: A Perspective},
author = {Jan G. Rittig and Clemens Kortmann},
journal= {arXiv preprint arXiv:2506.18525},
year = {2025}
}