FedTrees:一种在智能电网中研究的新型计算-通信高效联邦学习框架
机器学习
2022-10-04 v1
摘要
在供需两侧进行智能能源性能监测与优化,对实现智慧城市至关重要。为实施更可持续的能源管理计划,更准确地预测能源需求是关键。下一代智能电表还可用于测量、记录和上报能耗数据,这些数据可用于训练机器学习(ML)模型以预测能源需求。然而,共享细粒度能源数据并进行集中式学习可能损害用户隐私,并使其易受多种攻击。本研究利用联邦学习(FL)解决此问题,这是一种新兴技术,在用户本地(数据所在处)执行 ML 模型训练。我们提出 FedTrees,一种轻量级新型 FL 框架,受益于集成学习的优异特性。此外,我们开发了基于增量的早停算法来监控 FL 训练,并在无需继续时停止。仿真结果表明,FedTrees 在提供准确能源预测模式方面优于最流行的联邦平均(FedAvg)框架与基线 Persistence 模型,同时相比 FedAvg 仅耗费 2% 的计算时间与 13% 的通信轮次,节省了可观的计算与通信资源。
引用
@article{arxiv.2210.00060,
title = {FedTrees: A Novel Computation-Communication Efficient Federated Learning Framework Investigated in Smart Grids},
author = {Mohammad Al-Quraan and Ahsan Khan and Anthony Centeno and Ahmed Zoha and Muhammad Ali Imran and Lina Mohjazi},
journal= {arXiv preprint arXiv:2210.00060},
year = {2022}
}