基于不确定性客户端聚类的联邦学习用于全 fleet 故障诊断
机器学习
2023-04-27 v1 分布式、并行与集群计算
摘要
来自各行业的运营商一直在推动采用无线传感节点进行工业监测，此类努力已产生相当规模的状态监测数据集，可用于构建能够向维护工程师预警 impending 故障或识别当前系统健康状态的诊断算法。然而，单一运营商可能不具备足够庞大的系统或部件机组 fleet 以收集充足数据来开发数据驱动算法。对于安全关键系统，由于故障罕见，收集令人满意的故障模式数量尤为困难。联邦学习（FL）已成为一种有前景的方案，可在保持数据机密性的同时利用多运营商的数据集训练去中心化资产故障诊断模型。然而，在不泄露敏感数据的情况下优化联邦策略以及解决客户端数据集异构性问题方面，仍存在显著障碍。这在故障诊断应用中尤为普遍，因为运行条件和系统配置高度多样。为应对这两大挑战，我们提出一种新颖的基于聚类的 FL 算法，其中客户端依据数据集相似性进行聚类以联邦。为在不显式共享数据的情况下量化客户端间数据集相似性，每个客户端留出本地测试数据集，并评估其他客户端模型在该测试集上的预测精度与不确定性。随后基于相对预测精度与不确定性对客户端进行 FL 聚类。
引用
@article{arxiv.2304.13275,
title = {Federated Learning with Uncertainty-Based Client Clustering for Fleet-Wide Fault Diagnosis},
author = {Hao Lu and Adam Thelen and Olga Fink and Chao Hu and Simon Laflamme},
journal= {arXiv preprint arXiv:2304.13275},
year = {2023}
}