[論文レビュー] Privacy Preserving Ultra-Short-term Wind Power Prediction Based on Secure Multi Party Computation

Hang Fan, Xiaoyu Fan+7 more|arXiv (Cornell University)|Jan 31, 2023

Remote Sensing and LiDAR Applications被引用数 4

ひとこと要約

本稿では、安全な多人数計算（SMPC）に基づくプライバシー保護型超短期風力予測フレームワークであるpwXGBoostを提案する。複数の風力発電所が、生データを暴露せずに協働してXGBoostモデルをトレーニングできる。秘密分散と最大平均差分（MMD）に基づく選択基準を活用することで、高い予測精度を実現するとともに、プライバシーを保護する。実際の内モンゴル風力発電所のデータを用いた検証で顕著な性能向上が得られた。

ABSTRACT

Mining the spatial and temporal correlation of wind farm output data is beneficial for enhancing the precision of ultra-short-term wind power prediction. However, if the wind farms are owned by separate entities, they may be reluctant to share their data directly due to privacy concerns as well as business management regulation policies. Although cryptographic approaches have been designed to protect privacy in the process of data sharing, it is still a challenging problem to encrypt the original data while extracting the nonlinear relationship among multiple wind farms in the machine learning process. This paper presents pwXGBoost, a technique based on the machine learning tree model and secure multi-party computation (SMPC) that can successfully extract complicated relationships while preserving data privacy. A maximum mean discrepancy (MMD) based scheme is proposed to effectively choose adjacent candidate wind farms to participate in the collaborative model training, therefore improving the accuracy and reducing the burden of data acquisition. The proposed method was evaluated on real world data collected from a cluster of wind farms in Inner Mongolia, China, demonstrating that it is capable of achieving considerable efficiency and performance improvements while preserving privacy

研究の動機と目的

• プライバシーと規制上の懸念から、私的所有の風力発電所間で機微な風力発電データやNWPデータを共有する課題に対処すること。
• 個々の風力発電所の生データを暴露せずに、超短期風力予測モデルの協働トレーニングを可能にすること。
• データプライバシーを保護しつつ、複数の風力発電所にまたがる複雑な空間的・時間的相関を抽出できる、安全で効率的かつ高精度な手法を開発すること。
• MMDに基づく基準を用いて、最も関連性の高い隣接風力発電所を知的に選択することで、データ収集負荷を軽減すること。

提案手法

• 本手法は、2人中3人の秘密分散プロトコルを用いた安全な多人数計算（SMPC）に基づく垂直フェデレーテッドラーニングアプローチを採用し、モデルトレーニング中のデータ保護を実現する。
• 各風力発電所がデータを秘密分散に暗号化し、複数の計算サーバーに配布することで、いかなる単一の当事者でも元のデータを再構築できないようにする。
• 最も関連性の高い隣接風力発電所を協働対象として選択するための最大平均差分（MMD）に基づく基準を設計し、不要なデータ収集を最小限に抑える。
• SMPCとXGBoostを統合し、同型秘密分散を用いて木構造モデルの演算（加算、減算、乗算、比較、除算）を安全に実行できるようにする。
• 安全な除算は、秘密分散値にニュートン・ラフソン法を適用することで実装され、勾配ブースティングに不可欠な非線形演算を可能にする。
• 最終的なモデル出力は計算終了後のみ再構築されるため、中間結果や最終結果に個人情報が漏洩するのを防ぐ。

実験結果

リサーチクエスチョン

• RQ1 風力発電所が、生の歴史的風力発電データやNWPデータを共有せずに、超短期風力発電予測の精度をどのように協働で向上させることができるか？
• RQ2 安全な協働トレーニングのための、最も関連性の高い隣接風力発電所を特定する基準として、どのような基準が利用可能か？データ収集の負荷を最小限に抑えることができるか？
• RQ3 安全な多人数計算（SMPC）を、プライバシー保護学習に適用する際、XGBoostのような複雑な木構造モデルのトレーニングに効果的に適用できるか？
• RQ4 MMDに基づく参加者選択基準は、予測精度を劣化させることなく、必要な参加風力発電所の数をどの程度削減できるか？
• RQ5 従来の集中型アプローチや微分プライバシーに基づくアプローチと比較して、提案されたpwXGBoostモデルは、性能とプライバシー保護の両面でどのように優れているか？

主な発見

• 提案されたpwXGBoostモデルは、非協働型モデルと比較して、超短期風力発電予測の精度に顕著な向上を示した。実世界の内モンゴル風力発電所データを用いた検証でその有効性が裏付けられた。
• MMDに基づく参加者選択基準は、空間的近隣性が最も高い風力発電所を効果的に同定し、協働に必要な風力発電所の数を削減することで、データ収集コストを低減した。
• 安全な計算フレームワークは、トレーニングプロセス全体を通じてデータプライバシーを完全に保護しており、秘密分散からいかなる単一の当事者でも元のデータを再構築できないことを保証した。
• ニュートン・ラフソン法を用いた安全な除算の統合により、SMPC下でもXGBoostにおける正確な勾配計算が可能となり、プライバシー保護学習に応用する木モデルの主要な課題を克服した。
• 本手法は実世界の展開環境でも高い頑健性とスケーラビリティを示し、風力発電予測におけるプライバシー保護型協働学習が現実的かつ効果的であることを示した。