Adaptive Weighted Federated Domain Adaptation Methods for Nonintrusive Load Monitoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The implementation of scalable and privacy-preserving models in nonintrusive load monitoring (NILM) requires the usage of distributed pipelines through methods like federated learning. However, the differences between building locations, appliances, and consumption patterns create domain discrepancies that hinder performance. To address this issue, we need to apply domain adaptation while respecting the privacy constraint of federated learning. In this work, we propose adopting existing methods to act as discrepancy measures in the context of federated domain adaptation in NILM using a deep sparse coding model with novel modifications. These methods find the discrepancy between the local data and the target data and include: 1) a modified version of Federated domain adaptation (FedDA), which is based on the local variance and Euclidean distance; 2) FedRBF, which is based on the measure of similarity using the radial basis function kernel; 3) FedMMD, which is based on maximum mean discrepancy; and 4) FedkNN, which is based on the k-nearest neighbors algorithm. Moreover, we propose a novel framework that adaptively combines all methods as a second intermediate layer by learning their contribution weights to the central server. This deep adaptive weighting framework aims to optimize the selection of the output weights of each method in a federated manner. We explore several techniques of weight computation that are based on the raw data or on learned representations that further preserve user consumption privacy. We find that every method performs better than regular federated averaging (FedAvg) by up to 5% in terms of disaggregation accuracy, while an additional increase for the adaptive weighting framework results. The suggested methods also perform better than training only on the target domain. We also find that basing the weights on locally learned representations yields similar results to using raw 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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle