A Federated Data Fusion-Based Prognostic Model for Applications with Multi-Stream Incomplete Signals

要約

ほとんどの予測手法では、モデルのトレーニングにかなりの量のデータが必要です。
ただし、実際には、単一の組織が所有する履歴データの量は少ないか、信頼できる予後モデルをトレーニングできるほど十分に大きくない可能性があります。
この課題に対処するために、この記事では、各ユーザーのデータをローカルで機密に保ちながら、複数のユーザーがマルチストリーム、高次元、不完全なデータを使用して障害時間予測モデルを共同で構築できるようにするフェデレーション予測モデルを提案します。
予後モデルでは、まず多変量関数主成分分析を使用して、マルチストリームの劣化信号を融合します。
次に、融合された特徴と故障までの時間を組み合わせて、故障予測のための (対数) 位置スケール回帰モデルを構築します。
分散データセットを使用してパラメータを推定し、すべての参加者のデータプライバシーを維持するために、特徴抽出のための新しい連合アルゴリズムを提案します。
数値研究によると、提案されたモデルのパフォーマンスは古典的な非連合予測モデルのパフォーマンスと同じであり、各ユーザー自身が構築したモデルのパフォーマンスよりも優れていることが示されています。

要約(オリジナル)

Most prognostic methods require a decent amount of data for model training. In reality, however, the amount of historical data owned by a single organization might be small or not large enough to train a reliable prognostic model. To address this challenge, this article proposes a federated prognostic model that allows multiple users to jointly construct a failure time prediction model using their multi-stream, high-dimensional, and incomplete data while keeping each user’s data local and confidential. The prognostic model first employs multivariate functional principal component analysis to fuse the multi-stream degradation signals. Then, the fused features coupled with the times-to-failure are utilized to build a (log)-location-scale regression model for failure prediction. To estimate parameters using distributed datasets and keep the data privacy of all participants, we propose a new federated algorithm for feature extraction. Numerical studies indicate that the performance of the proposed model is the same as that of classic non-federated prognostic models and is better than that of the models constructed by each user itself.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google