FedNILM：将联邦学习应用于边缘端的非侵入式负载监测应用
机器学习
2021-06-16 v1
摘要
非侵入式负载监测（NILM）有助于将家庭总用电消耗分解为各电器的能耗，从而大幅降低细粒度家庭负载监测的成本。为应对NILM应用中出现的隐私问题，可利用联邦学习（FL）进行NILM模型训练与共享。然而，在真实世界NILM应用中采用FL范式时，我们面临边缘资源受限、边缘模型个性化以及边缘训练数据稀缺等挑战。本文提出FedNILM，一种面向边缘客户端的实用FL范式。具体而言，FedNILM旨在通过以下方式向大规模边缘客户端提供隐私保护且个性化的NILM服务：i) 通过联邦学习实现安全数据聚合，ii) 通过滤波器剪枝与多任务学习进行高效的云模型压缩，iii) 利用无监督迁移学习构建个性化边缘模型。我们在真实世界能源数据上的实验表明，FedNILM能够在确保边缘客户端隐私保护的同时，以最先进的精度实现个性化能源分解。
引用
@article{arxiv.2106.07751,
title = {FedNILM: Applying Federated Learning to NILM Applications at the Edge},
author = {Yu Zhang and Guoming Tang and Qianyi Huang and Yi Wang and Xudong Wang and Jiadong Lou},
journal= {arXiv preprint arXiv:2106.07751},
year = {2021}
}
备注
9 pages, 5 figures, 3 tables