基于个性化模型混淆的隐私保护负荷预测
密码学与安全
2023-12-04 v1 机器学习
摘要
智能电表的广泛部署提供了详细且本地化的负荷消耗数据，适用于训练建筑级负荷预测模型。为缓解由模型引发的数据泄露所带来的隐私担忧，联邦学习（FL）被提出。本文针对在异构数据上采用 FL 训练的短期负荷预测模型的性能挑战，强调通过模型混淆实现隐私保护。我们提出的算法——隐私保护联邦学习（PPFL），引入了个性化层以在各智能电表处进行本地化训练。此外，我们采用差分隐私机制来防范来自共享层的数据泄露。在 NREL ComStock 数据集上的仿真验证了我们所提方法的有效性。
引用
@article{arxiv.2312.00036,
title = {Privacy-Preserving Load Forecasting via Personalized Model Obfuscation},
author = {Shourya Bose and Yu Zhang and Kibaek Kim},
journal= {arXiv preprint arXiv:2312.00036},
year = {2023}
}