[論文レビュー] FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning

Shuang Dai, Fanlin Meng+2 more|arXiv (Cornell University)|Aug 8, 2021

Smart Grid Energy Management参考文献 23被引用数 5

ひとこと要約

本稿では、非侵襲的負荷監視（NILM）のための新しいフェデレーテッドディープラーニングフレームワーク、FederatedNILMを提案する。このフレームワークは、家庭間で生のスマートメーター記録を共有せずに、プライバシーを守りながら分散型の学習を可能にする。最先端のディープニューラルネットワークとフェデレーテッドラーニングを組み合わせることで、中央集権的な学習と同等の高い精度を達成する一方で、パラメータのみの集約によりデータプライバシーを確保し、未学習の家庭に対しても優れた汎化性能を示し、通信コストも最小限に抑える。

ABSTRACT

Non-intrusive load monitoring (NILM), which usually utilizes machine learning methods and is effective in disaggregating smart meter readings from the household-level into appliance-level consumptions, can help to analyze electricity consumption behaviours of users and enable practical smart energy and smart grid applications. However, smart meters are privately owned and distributed, which make real-world applications of NILM challenging. To this end, this paper develops a distributed and privacy-preserving federated deep learning framework for NILM (FederatedNILM), which combines federated learning with a state-of-the-art deep learning architecture to conduct NILM for the classification of typical states of household appliances. Through extensive comparative experiments, the effectiveness of the proposed FederatedNILM framework is demonstrated.

研究の動機と目的

• ラベル付きデータが限られ、かつ家庭のプライベートなデータに分散している状況において、正確なNILMモデルを学習する課題に対処すること。
• 生のスマートメーター記録を中央集権的に収集しないことで、プライバシー保護型のモデル学習を可能にすること。
• 通信コストを最小限に抑えつつ、高いモデル精度を維持し、個人のデータプライバシーを保護する分散型学習フレームワークを開発すること。
• 異なるエネルギー使用パターンを示す未学習の家庭に対して、フレームワークの汎化性能を評価すること。
• フェデレーテッドラーニングがスマートグリッドにおける実世界のNILM応用で実用的で効果的であることを実証すること。

提案手法

• フレームワークはフェデレーテッドラーニングを採用しており、生のデータを中央サーバーに送信せずに、各家庭のデータ上で局所的なモデルを学習する。
• 高い精度の家電機器状態分類を実現するため、ベースモデルとして最先端のディープニューラルネットワークアーキテクチャ（Centralized-NILM として記載）を採用する。
• 学習中に、クライアントと中央サーバー間で生のデータではなく、更新されたモデルパラメータ（例：勾配）のみを交換することで、データプライバシーを確保する。
• 中央サーバーは、FedAvg（FedAvgアルゴリズム）を用いて局所的なモデル更新を集約し、グローバルモデルを形成する。
• フレームワークは、複数の家庭を含む実世界のデータセットを用いて評価され、洗濯機や食器洗い機などの家電機器状態に注目する。
• 性能は、未学習の家庭における標準指標（正解率、適合率、再現率、F1スコア）を用いて測定される。

実験結果

リサーチクエスチョン

• RQ1 生の家庭エネルギー記録を中央集権的に集約せずに、フェデレーテッドラーニングベースのフレームワークが、NILMにおける高い分解能精度を達成できるか。
• RQ2 FederatedNILMの性能は、中央集権的学習と比較して、未学習の家庭における精度と汎化性能においてどの程度優れているか。
• RQ3 フェデレーテッドアプローチは、NILM応用において、モデルの有用性を維持しつつ、どの程度のデータプライバシーを保護できるか。
• RQ4 異なるユーザー行動に起因するデータの非独立同分布（非IID）性が、FederatedNILMモデルの汎化性能に及ぼす影響はどの程度か。
• RQ5 実際の展開において、従来の中央集権的学習と比較して、このフレームワークの通信効率はどの程度高いか。

主な発見

• FederatedNILMは、未学習の家庭において洗濯機のF1スコアが0.92、食器洗い機のF1スコアが0.78を達成し、優れた汎化性能を示した。
• 食器洗い機に関しては、精度98%、F1スコア0.78を達成し、中央集権ベースライン（精度99%、F1スコア0.83）と非常に近い性能を示し、性能低下が最小限に抑えられた。
• 洗濯機に関しては、100%の適合率と0.77の再現率を達成し、F1スコア0.92を記録し、CO や FHMM を含む大多数の最先端モデルを上回った。
• 訓練データが限られ、かつ分散している状況でも、高い性能を維持したため、データの非IID性に対して強いロバストネスを示した。
• 生のデータを送信しないで済むため、中央集権的学習と比較して通信コストが顕著に削減された。
• 結果から、フェデレーテッドラーニングが強力なプライバシー保証を伴いながら、効果的なNILMを実現できることを確認した。これは、実世界のスマートグリッド応用に適したソリューションである。