Strategic Federated Learning: Application to Smart Meter Data Clustering

要約

フェデレーテッド ラーニング (FL) には、各クライアントが独自のデータでトレーニングしたモデルであるフュージョン センター (FC) を共有する複数のクライアントが関与します。
従来の FL は、推定または歪みベースのアプローチとして解釈でき、FC および他のクライアントによるモデル情報 (MI) の最終的な使用を無視します。
この論文では、FC が MI の集約バージョンを使用してクライアントのユーティリティ機能に影響を与える決定を行う、新しい FL フレームワークを紹介します。
クライアントは決定を選択することはできず、FC に報告された MI を使用してユーティリティを最大化することのみが可能です。
クライアントと FC ユーティリティとの間の連携に応じて、クライアントはモデルに戦略的ノイズを追加することに個別の関心を持つ可能性があります。
この一般的なフレームワークは、ノイズの多いクラスターの代表情報が報告されるクラスター化の場合に特化して説明されています。
これは、消費電力のスケジューリングの問題に適用されます。
これに関連して、電力会社の不一致は、たとえば、クライアントが電力価格が安いときに消費したいのに対し、FC は総電力が最も低いときに消費することを望んでいる場合に発生します。
これは、Ausgrid \cite{ausgrid} からの集約された実際のデータで示されています。
私たちの数値分析は、クライアントが FC に報告されたモデルにノイズを追加することでユーティリティを向上できることを明確に示しています。
対応する結果とソース コードは \cite{source-code} からダウンロードできます。

要約(オリジナル)

Federated learning (FL) involves several clients that share with a fusion center (FC), the model each client has trained with its own data. Conventional FL, which can be interpreted as an estimation or distortion-based approach, ignores the final use of model information (MI) by the FC and the other clients. In this paper, we introduce a novel FL framework in which the FC uses an aggregate version of the MI to make decisions that affect the client’s utility functions. Clients cannot choose the decisions and can only use the MI reported to the FC to maximize their utility. Depending on the alignment between the client and FC utilities, the client may have an individual interest in adding strategic noise to the model. This general framework is stated and specialized to the case of clustering, in which noisy cluster representative information is reported. This is applied to the problem of power consumption scheduling. In this context, utility non-alignment occurs, for instance, when the client wants to consume when the price of electricity is low, whereas the FC wants the consumption to occur when the total power is the lowest. This is illustrated with aggregated real data from Ausgrid \cite{ausgrid}. Our numerical analysis clearly shows that the client can increase his utility by adding noise to the model reported to the FC. Corresponding results and source codes can be downloaded from \cite{source-code}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google