Semi-Supervised Federated Analytics for Heterogeneous Household Characteristics Identification
Notice bibliographique
Résumé
The widespread use of smart meters in households paves the way for retailers to understand household patterns through electricity usage data. This insight helps them offer personalized services and create better demand response strategies. However, smart meter data is highly heterogeneous since it is collected by different retailers using various data sampling methods, over different time periods, and from households with distinct characteristics. Additionally, the labels of household characteristics are obtained by questionnaires, which is labor-intensive and time-consuming, leaving much data unlabeled while privacy concerns prevent data sharing among retailers. To address these challenges, we propose a novel Semi-Supervised Federated Analytics approach for Heterogeneous Smart Meter Data (SF-Heter). This method keeps raw data local and exchanges analytics outputs, called prototypes, between retailers and a central server, thus dealing with heterogeneous data and protecting privacy. SF-Heter utilizes a new model structure named MODlinear, which enhances feature extraction through contrastive learning and multi-kernel time-series analysis. Meanwhile, SF-Heter efficiently utilizes unlabeled data by generating high-quality pseudo-labels and prototypes using MODlinear and integrated with a quality-controlled semi-supervised loss mechanism. Extensive tests on the Irish dataset show that SF-Heter effectively handles data heterogeneity and optimizes the use of unlabeled data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».