[論文レビュー] A Federated Learning Framework for Smart Grids: Securing Power Traces in Collaborative Learning

Haizhou Liu, Xuan Zhang+2 more|arXiv (Cornell University)|Mar 22, 2021

Privacy-Preserving Technologies in Data参考文献 21被引用数 42

ひとこと要約

本論文は、スマートグリッド向けの水平型および垂直型フェデレーテッドラーニングフレームワークを提案し、Paillier暗号を用いて個々の痕跡を露出せずに電力消費パターンを安全に学習する。LSTM、VFLR、SecureBoostを用いたZhuhaiでのケーススタディによって、損失のない学習とプライバシー保護を検証する。

ABSTRACT

With the deployment of smart sensors and advancements in communication technologies, big data analytics have become vastly popular in the smart grid domain, informing stakeholders of the best power utilization strategy. However, these power-related data are stored and owned by different parties. For example, power consumption data are stored in numerous transformer stations across cities; mobility data of the population, which are important indicators of power consumption, are held by mobile companies. Direct data sharing might compromise party benefits, individual privacy and even national security. Inspired by the federated learning scheme from Google AI, we propose a federated learning framework for smart grids, which enables collaborative learning of power consumption patterns without leaking individual power traces. Horizontal federated learning is employed when data are scattered in the sample space; vertical federated learning, on the other hand, is designed for the case with data scattered in the feature space. Case studies show that, with proper encryption schemes such as Paillier encryption, the machine learning models constructed from the proposed framework are lossless, privacy-preserving and effective. Finally, the promising future of federated learning in other facets of the smart grid is discussed, including electric vehicles, distributed generation/consumption and integrated energy systems.

研究の動機と目的

• 分散パーティ間でのスマートグリッド分析におけるプライバシーとデータ所有権の懸念に対処する。
• 場所を跨ぐ協調的な電力予測のための水平フェデレーテッドラーニング（HFL）の開発。
• 跨パーティ特徴ベースの予測のための垂直フェデレーテッドラーニング（VFL）サブフレームワークの開発。
• 暗号化されたパラメータ交換の下で、損失なしかつプライバシー保護を実証する。

提案手法

• 生データを交換せずに共有モデルを訓練するため、Paillier暗号化されたモデル更新を用いた水平フェデレーテッドラーニングを使用する。
• トランスフォーマー・ステーション間の水平電力消費予測のための統一モデルとしてLSTMを適用する。
• 垂直分散データを用いて電力消費を予測するための垂直フェデレーテッド・リニア回帰（VFLR）とSecureBoostを実装する。
• VFLR では、パラメータを安全に更新するためにマスキングと暗号化を用いた3者構成を採用する。
• SecureBoost では、暗号化された勾配統計と第三者の復号パターンを活用して、プライバシー保護付きの分割探索を実行する。
• 評価指標として平均二乗誤差(MSE)を用いて収束とプライバシー保護を評価する。

実験結果

リサーチクエスチョン

• RQ1 水平および垂直データ分離は、スマートグリッドにおいて生データを漏らさずにフェデレーテッドフレームワークで効果的に学習できるのか？
• RQ2 HFLおよびVFLアプローチは、暗号化の下で中央集権的なトレーニングと同等の損失なしの性能を達成するのか？
• RQ3 実用的な通信遅延やデータの撤回シナリオ下で、暗号化ベースのフェデレーテッド手法はどう機能するのか？
• RQ4 非線形モデル（SecureBoost）と線形モデル（VFLR）を垂直分割データで用いる場合の影響は？

主な発見

• 水平FLは10エポック以内に収束し、MSEは約0.04。
• 40%の通信遅延がある場合でもHFLは10エポック以内に収束するが、最終的なMSEは約0.051に上昇。
• 線形回帰を用いた垂直FL（VFLR）は初期MSE0.92から約0.28へ収束；モビリティデータが撤回されるとMSEは約0.38へ上昇。
• SecureBoost（垂直フェデレーテッドXGBoost）はより低いMSEを達成し、ツリー数を増やすと約0.14へ収束し、VFLRを上回り、早期データ撤回にも対してより頑健でMSEは約0.28。
• VFLフレームワークは報告されている設定で損失なし、中央集権的な性能と一致する；SecureBoostはプライバシーを維持しつつ競争力のある予測精度を達成する。