A Federated Learning Model With Short Sequence To Point Mechanism For Smart Home Energy Disaggregation
Notice bibliographique
Résumé
Residential households contribute significantly to the overall energy consumption in developed countries. To reduce their energy consumption, they need solutions that help them track the use of their appliances at home. Non-Intrusive Load Monitoring (NILM) with short Sequence-to-Point (Seq2Point) is a deep learning method used to track and recognize what appliances are used in the houses and their respective energy consumption. To apply NILM with short Seq2Point in the real world, a large amount of data from households must be collected and transferred to centralized servers for further analysis. Such a process does not always preserve consumers' security and privacy. To address this challenge, this paper proposes a combination of Federated Learning (FL) and NILM to make the entire system safe and trustworthy in order to avoid the risks of customers' privacy leakage. In FL, local models are developed on each consumer end and trained on local data instead of gathering data from all devices and sending it back to the central server. By using this method, data will be handled locally in a single residence while increasing the system's speed and security. The proposed model is evaluated using a real-life dataset (UK-Dale) of Appliance Level Electricity from the UK. The results show that our system provides better accuracy and preserves the privacy of consumers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».