[논문 리뷰] Fractional Order Federated Learning for Battery Electric Vehicle Energy Consumption Modeling

Mohammad Partohaghighi, Roummel F. Marcia외 2명|arXiv (Cornell University)|2026. 02. 13.

Electric Vehicles and Infrastructure인용 수 0

한 줄 요약

이 논문은 분수 차원 로컬 업데이트와 거칠기 정보 기반 규제를 사용하는 BEV 에너지 소비 모델링용 페더레이티드 학습 옵티마이저 FO-RI-FedAvg를 소개한다. 간헐적 클라이언트 참여하에서의 안정성과 정확도 향상을 위해 안정화된 업데이트를 제공하며, 서버 집계의 변경 없이 BEV 데이터 세트에서 강력한 베이스라인 대비 성능이 향상된다.

ABSTRACT

Federated learning on connected electric vehicles (BEVs) faces severe instability due to intermittent connectivity, time-varying client participation, and pronounced client-to-client variation induced by diverse operating conditions. Conventional FedAvg and many advanced methods can suffer from excessive drift and degraded convergence under these realistic constraints. This work introduces Fractional-Order Roughness-Informed Federated Averaging (FO-RI-FedAvg), a lightweight and modular extension of FedAvg that improves stability through two complementary client-side mechanisms: (i) adaptive roughness-informed proximal regularization, which dynamically tunes the pull toward the global model based on local loss-landscape roughness, and (ii) non-integer-order local optimization, which incorporates short-term memory to smooth conflicting update directions. The approach preserves standard FedAvg server aggregation, adds only element-wise operations with amortizable overhead, and allows independent toggling of each component. Experiments on two real-world BEV energy prediction datasets, VED and its extended version eVED, show that FO-RI-FedAvg achieves improved accuracy and more stable convergence compared to strong federated baselines, particularly under reduced client participation.

연구 동기 및 목표

• BEVs의 프라이버시 보호 에너지 모델링을 이질적이고 간헐적으로 참여하는 클라이언트들과 함께 다루기.
• 실제 조건(데이터의 다양성, 연결성 변화)에서 FedAvg 유사 FL의 클라이언트 드리프트와 불안정성 완화.
• 학습 안정성과 정확도 향상을 위해 기억 가능하고 기하학적으로 인지된 로컬 최적화를 도입.
• 표준 FL 아키텍처와 호환되는 가볍고 모듈식 확장을 제공.
• 실제 BEV 에너지 데이터셋(VED/eVED)에서 강력한 베이스라인과 비교하여 효과를 입증

제안 방법

• FO-RI-FedAvg를 제안하고, 분수 차원 로컬 업데이트와 거칠기 정보를 활용한 클라이언트별 규화를 결합한다.
• Caputo에서 영감을 받은 대리 함수(Eq. 10–11)로 기억 효과를 통해 SGD 업데이트를 조절하는 분수 차원 프리컨디셔너 p_t,h^k를 도입한다.
• 로컬 손실 지형 탐색으로부터 클라이언트 거칠기 지수 I_k를 계산하고 이를 사용해 근접 규제 강도를 적응시킨다(Eq. 20–22).
• 프리컨디셔너를 게이트하기 위해 스펙트럴 안정성 지표를 선택적으로 도입한다(Eq. 19–24).
• 표준 FedAvg 서버 집계와 데이터 가중 평균(Eq. 3)을 유지하고 경량의 각 스텝 연산을 수행한다.
• 창 창문식 에너지 목표(Eq. 25–27)와 프라이버시를 보호하는 로컬 데이터 처리 방식을 사용하여 BEV 에너지 소비 모델링에 프레임워크를 적용한다.

실험 결과

연구 질문

• RQ1 간헐적 클라이언트 참여 하에서 로컬 업데이트의 분수 차원 기억이 FL의 안정성과 수렴에 어떤 영향을 미치는가?
• RQ2 서버 측 메커니즘을 바꾸지 않으면서 거칠기 인식 기반의 클라이언트별 규화가 이질적 FL 환경의 드리프트를 완화할 수 있는가?
• RQ3 메모리 효과를 기하학적 인식 진단과 결합하면 BEV 에너지 소비 모델링에서 실질적인 정확도 향상을 가져오는가?
• RQ4 FO-RI-FedAvg가 경미한 오버헤드로 차량 내 배치에 실용적으로 확장 가능한가?

주요 결과

• FO-RI-FedAvg는 참여 클라이언트를 축소한 하에서 강력한 페더레이티드 베이스라인 대비 정확도와 수렴 안정성을 향상시킨다.
• 이 방법은 표준 FedAvg 서버 집계를 유지하고 매 스텝에서의 격모화 가능한 요소별 연산만 추가한다.
• 거칠기 기반 근접 규제가 클라이언트별 손실 지형의 불규칙성에 적응하여 로컬 업데이트의 드리프트를 완화한다.
• 분수 차원 로컬 업데이트는 최적화에서 과거 정보를 강조하는 장기 기억 역학을 주입하여 강건성을 향상시킨다.
• 선택적 스펙트럼 진단은 매우 이방성 가중치 공간에서 업데이트 방향을 추가로 완화시킬 수 있다.
• VED 및 eVED 데이터셋을 사용한 BEV 에너지 예측 태스크에서 현실적인 페더레이티드 BEV 환경에서의 실용적 효과를 입증한다.