面向燃气用量估计的分层联邦学习激励机制
机器学习
2023-07-04 v1 信息论
math.IT
摘要
准确估计燃气用量对于燃气分配网络的高效运行和节省运营成本至关重要。传统方法依赖集中式数据处理，这带来了隐私风险。联邦学习（FL）通过使各参与方（如燃气公司与供热站）进行本地数据处理，为此问题提供了解决方案。然而，本地训练与通信开销可能削弱燃气公司与供热站积极参与FL训练过程的意愿。为应对这一挑战，我们提出了一种面向燃气用量估计的分层FL激励机制（HI-GAS），该机制已在天然气与绿色能源行业的领先企业之一新奥集团（ENN Group）进行测试部署。它旨在支持燃气公司间的横向FL，以及各燃气公司与辖区内供热站的分层FL生态中的纵向FL，并依据参与方对FL的贡献予以奖励。此外，还提出了一种分层FL模型聚合方法，通过聚合层级结构中不同层次的模型来提升燃气用量估计性能。该激励方案采用多维贡献感知奖励分配函数，结合数据质量与模型贡献的评估，在保持公平的同时激励辖区内的燃气公司与供热站。大量实验结果验证了所提机制的有效性。
引用
@article{arxiv.2307.00233,
title = {Hierarchical Federated Learning Incentivization for Gas Usage Estimation},
author = {Has Sun and Xiaoli Tang and Chengyi Yang and Zhenpeng Yu and Xiuli Wang and Qijie Ding and Zengxiang Li and Han Yu},
journal= {arXiv preprint arXiv:2307.00233},
year = {2023}
}