Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting

要約

電力システムの領域では、負荷予測アプリケーションへの住宅ユーザーの関与が増加しているため、データのプライバシーに関する懸念が高まっている。具体的には、負荷データは、不注意に住宅ユーザーの日常生活を明らかにする可能性があり、それによって彼らの財産の安全に対するリスクをもたらす。連合学習（FL）は、生データの交換なしにモデル学習を可能にすることでユーザーのプライバシーを保護するために採用されてきたが、これらのFLモデルは、勾配からのディープリークやポイズニング攻撃などの新たな攻撃手法に対する脆弱性を示してきた。これらに対抗するため、我々は当初、勾配漏えいのリスクを軽減するために、多パーティ計算暗号技術を活用したSecure-Aggregation（SecAgg）アルゴリズムを採用していました。しかし、SecAggを導入するためには、マルチパーティ計算プロトコルを実行するためのサブセンターサーバを追加導入する必要があるため、計算量が増大し、特に1つ以上のサブセンターが利用できないシナリオではシステムの堅牢性が低下する。このような課題に対処するため、我々はマルコフ・スイッチングに基づく分散訓練フレームワークを導入し、その収束性を厳密な理論解析によって実証する。分散マルコフ・スイッチング（DMS）トポロジーは、ポイズニング攻撃に対しても強い頑健性を示す。実際の電力系統の負荷データを用いたケーススタディにより、提案アルゴリズムの有効性が検証された。このアルゴリズムは、通信の複雑さを大幅に最小化するだけでなく、従来のFL手法に匹敵する精度レベルを維持し、それによって我々の負荷予測アルゴリズムのスケーラビリティを向上させる。

要約(オリジナル)

In the realm of power systems, the increasing involvement of residential users in load forecasting applications has heightened concerns about data privacy. Specifically, the load data can inadvertently reveal the daily routines of residential users, thereby posing a risk to their property security. While federated learning (FL) has been employed to safeguard user privacy by enabling model training without the exchange of raw data, these FL models have shown vulnerabilities to emerging attack techniques, such as Deep Leakage from Gradients and poisoning attacks. To counteract these, we initially employ a Secure-Aggregation (SecAgg) algorithm that leverages multiparty computation cryptographic techniques to mitigate the risk of gradient leakage. However, the introduction of SecAgg necessitates the deployment of additional sub-center servers for executing the multiparty computation protocol, thereby escalating computational complexity and reducing system robustness, especially in scenarios where one or more sub-centers are unavailable. To address these challenges, we introduce a Markovian Switching-based distributed training framework, the convergence of which is substantiated through rigorous theoretical analysis. The Distributed Markovian Switching (DMS) topology shows strong robustness towards the poisoning attacks as well. Case studies employing real-world power system load data validate the efficacy of our proposed algorithm. It not only significantly minimizes communication complexity but also maintains accuracy levels comparable to traditional FL methods, thereby enhancing the scalability of our load forecasting algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL