[論文レビュー] Secure Federated Learning for Residential Short Term Load Forecasting

Joaquín Delgado Fernández, Sergio Potenciano Menci+2 more|arXiv (Cornell University)|Nov 17, 2021

Smart Grid Energy Management参考文献 68被引用数 4

ひとこと要約

本稿では、微分プライバシーおよびセキュアアグリゲーションを用いてデータの機微性を保護する、住宅用短期負荷予測のための安全なフェデレーテッドラーニングフレームワークを提案する。予測精度への影響を最小限に抑えながら、ほぼ完全なプライバシー予算（1.39, 10⁻⁵）および（2.01, 10⁻⁵）を達成でき、生のスマートメーター記録を共有せずに分散型で協調学習を実現する。

ABSTRACT

The inclusion of intermittent and renewable energy sources has increased the importance of demand forecasting in power systems. Smart meters can play a critical role in demand forecasting due to the measurement granularity they provide. Consumers' privacy concerns, reluctance of utilities and vendors to share data with competitors or third parties, and regulatory constraints are some constraints smart meter forecasting faces. This paper examines a collaborative machine learning method for short-term demand forecasting using smart meter data as a solution to the previous constraints. Privacy preserving techniques and federated learning enable to ensure consumers' confidentiality concerning both, their data, the models generated using it (Differential Privacy), and the communication mean (Secure Aggregation). The methods evaluated take into account several scenarios that explore how traditional centralized approaches could be projected in the direction of a decentralized, collaborative and private system. The results obtained over the evaluations provided almost perfect privacy budgets (1.39,$10e^{-5}$) and (2.01,$10e^{-5}$) with a negligible performance compromise.

研究の動機と目的

• 電力システムの予測に向けた住宅用スマートメーター記録の共有におけるプライバシー懸念を解決すること。
• 電力会社やベンダー間でのデータ共有における規制的・商業的障壁を克服すること。
• データ機微性を維持する分散型で協調的な機械学習手法を開発すること。
• 微分プライバシーとセキュアアグリゲーションによる通信のセキュリティを通じて、モデルのプライバシーを確保すること。
• 現実的なシナリオにおけるプライバシー保証と予測パフォーマンスのトレードオフを評価すること。

提案手法

• 中央集権的なデータ集約を回避するため、住宅用スマートメーター記録をローカルで学習するフェデレーテッドラーニングを採用し、生のデータを中央に集約しない。
• 個々のデータプライバシーを保護するため、モデル更新に微分プライバシーを適用し、慎重に調整されたノイズ注入を実施する。
• 複数のクライアントからのモデル更新を暗号的に統合するセキュアアグリゲーションを用い、個々の貢献が露呈するのを防ぐ。
• クライアントがローカルで学習を行い、中央のパrameterサーバーに暗号化されたモデル更新のみを共有する分散型トレーニングパイプラインを設計する。
• プライバシーと精度のトレードオフを評価するために、複数の現実的なシナリオでシステムを評価する。
• 理論的境界を用いてプライバシー予算（ε）をキャリブレーションし、強力なプライバシー保証を確保するとともに、モデルの有用性を維持する。

実験結果

リサーチクエスチョン

• RQ1 生のスマートメーター記録を共有せずに、分散型で住宅用短期負荷予測をどのように実現できるか？
• RQ2 微分プライバシーとセキュアアグリゲーションは、予測精度を維持しつつ、どの程度個々のプライバシーを保護できるか？
• RQ3 住宅用負荷予測のフェデレーテッドラーニング環境において、達成可能なプライバシー予算（ε）は何か？
• RQ4 同等のプライバシー制約下で、フェデレーテッドモデルのパフォーマンスは中央集権ベースラインと比べてどの程度か？
• RQ5 現実の住宅用負荷予測シナリオにおいて、プライバシー保証と予測精度のトレードオフはどのようなものか？

主な発見

• 提案されたフェデレーテッドラーニングフレームワークは、プライバシー予算1.39、プライバシー損失10⁻⁵を達成し、強力なプライバシー保護を示している。
• 第二のシナリオでは、同じプライバシー損失10⁻⁵を維持しながらプライバシー予算2.01を達成し、設定の多様性にわたる堅牢性を示している。
• プライバシー保護機構により、非プライベートな中央集権モデルと比較して性能劣化はほとんど認められない。
• セキュアアグリゲーションは、集約プロセス中に個々のクライアントデータの推定を防止した。
• 微分プライバシーは、個々の世帯に対するメンバーインファレンス攻撃のリスクを効果的に制限した。
• 本システムは、データ共有なしに協調的予測を実現でき、規制的・商業的制約を満たしている。