.png){kind=icon}
返回
Distributed Data Privacy Protection via Collaborative Anomaly Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14020295.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前充电站异常检测方法主要依赖于集中式网络架构与联邦学习框架。然而，充电站数量的快速增长以及网络规模的扩大带来了显著的通信流量负载。因此，有必要探讨充电站间数据聚合与各站点异常检测准确率之间的关系。本文针对充电站的高效异常检测问题，提出了一种基于联邦学习的分布式异常检测算法。具体而言，我们引入了一种分布式隐私保护数据聚合方案，采用Transformer模型有效平滑异常数据波动，从而最小化对网络聚合节点的干扰。此外，我们开发了一种分布式联邦学习框架，融合了一种无需先验知识或中心节点的参数高效更新方法。与现有的一些检测方案相比，所提方法在显著降低通信带宽需求的同时，保持了异常检测精度并缓解了数据孤立问题。大量实验表明，所提算法不仅能实现电动汽车充电站的高精度异常检测，还能确保用户数据隐私的鲁棒保护。
Keyword:
anomalous data
data aggregation
privacy protection
distributed learning
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
New power system operational state estimation with cluster of electric vehicles基于电动汽车集群的新电力系统运行状态估计
PREAI
分享收藏Data-driven and privacy-preserving risk assessment method based on federated learning for smart grids基于联邦学习的智能电网数据驱动与隐私保护风险评估方法OAAI
OAAI分享收藏
查看更多内容