دانلود ترجمه مقاله چارچوب امن یادگیری مشارکتی برای پیش بینی بار کوتاه مدت مسکونی

1. مقدمه 2. کارهای مرتبط 3. مبانی و مقدمات 4. تعریف مسئله و مدل های ترافعی (دشمنانه، رقابتی) 5. روش پیشنهادی 6. شبیه سازی و نتایج 7. نتیجه گیری

چکیده – سنجش هوشمند اگرچه برای پیش بینی دقیق تقاضا ضروری است، با نواقصی مانند حریم خصوصی مشتریان، مسائل رخنه داده، و ... روبروست. نشریات جدید یادگیری مشارکتی (Federated Learning) را به عنوان یک گزینه امیدبخش یادگیری ماشین با حفظ حریم خصوصی بررسی کرده اند که امکان یادگیری همکارانه یک مدل برای پیش بینی بار کوتاه مدت بدون به خطر انداختن داده های خام خصوصی را فراهم می کند. با وجود این خاصیت، یادگیری مشارکتی استاندارد هنوز در برابر تهدیدهای سایبری ستیزه جویانه به نام حمله بیزانسی انجام شده توسط کاربران خطاکار و یا بداندیش، آسیب پذیر است. بنابراین برای بهبود قدرت پیش بینی بار کوتاه مدت مشارکتی در برابر تهدیدات بیزانسی، یک چارچوب امن خصوصی جزئی مبتنی بر یادگیری مشارکتی جدید توسعه می دهیم که در عین حفاظت از امنیت مدل ها و معماری یادگیری مشارکتی، حریم خصوصی داده های سنجشی هوشمند فردی را تضمین می کنند. چارچوب پیشنهادی ما از ایده کمی سازی گرادیانی از طریق الگوریتم گرادیان کاهشی تصادفی علامت (SignSGD) بهره می گیرد که در آن کاربران تنها «علامت» گرادیان به مرکز کنترل را پس از آموزش مدل محلی ارسال می کند. همانطور که در آزمایشات شامل شبکه های عصبی محک با مجموعه ای از مدل های حمله بیزانسی نشان می دهیم، روش پیشنهادی ما این تهدیدات را به طور کاملاً موثری سرکوب می کند و بنابراین بهتر از مدل های FedSGD معمولی عمل می کند.

Smart meter measurements, though critical for accurate demand forecasting, face several drawbacks including consumers’ privacy, data breach issues, to name a few. Recent literature has explored Federated Learning (FL) as a promising privacy-preserving machine learning alternative which enables collaborative learning of a model without exposing private raw data for short term load forecasting. Despite its virtue, standard FL is still vulnerable to an intractable cyber threat known as Byzantine attack carried out by faulty and/or malicious clients. Therefore, to improve the robustness of federated short-term load forecasting against Byzantine threats, we develop a state-of-the-art differentially private secured FL-based framework that ensures the privacy of the individual smart meter’s data while protect the security of FL models and architecture. Our proposed framework leverages the idea of gradient quantization through the Sign Stochastic Gradient Descent (SignSGD) algorithm, where the clients only transmit the ‘sign’ of the gradient to the control centre after local model training. As we highlight through our experiments involving benchmark neural networks with a set of Byzantine attack models, our proposed approach mitigates such threats quite effectively and thus outperforms conventional FedSGD models.

ترجمه این مقاله در 27 صفحه آماده شده و در ادامه نیز صفحه 24 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.