ترجمه فارسی مقاله یادگیری فدرال استراتژیک: کاربرد در خوشه‌بندی داده‌های کنتور هوشمند

چکیده

Federated learning (FL) involves several clients that share with a fusion center (FC), the model each client has trained with its own data. Conventional FL, which can be interpreted as an estimation or distortion-based approach, ignores the final use of model information (MI) by the FC and the other clients. In this paper, we introduce a novel FL framework in which the FC uses an aggregate version of the MI to make decisions that affect the client’s utility functions. Clients cannot choose the decisions and can only use the MI reported to the FC to maximize their utility. Depending on the alignment between the client and FC utilities, the client may have an individual interest in adding strategic noise to the model. This general framework is stated and specialized to the case of clustering, in which noisy cluster representative information is reported. This is applied to the problem of power consumption scheduling. In this context, utility non-alignment occurs, for instance, when the client wants to consume when the price of electricity is low, whereas the FC wants the consumption to occur when the total power is the lowest. This is illustrated with aggregated real data from Ausgrid cite{ausgrid}. Our numerical analysis clearly shows that the client can increase his utility by adding noise to the model reported to the FC. Corresponding results and source codes can be downloaded from cite{source-code}.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) شامل چندین مشتری است که با یک مرکز فیوژن (FC) به اشتراک می گذارند ، مدل هر مشتری با داده های خاص خود آموزش داده است.FL متعارف ، که می تواند به عنوان یک تخمین یا رویکرد مبتنی بر اعوجاج تعبیر شود ، استفاده نهایی از اطلاعات مدل (MI) توسط FC و سایر مشتریان را نادیده می گیرد.در این مقاله ، ما یک چارچوب جدید FL را معرفی می کنیم که در آن FC از نسخه کل MI برای تصمیم گیری هایی که بر عملکردهای ابزار مشتری تأثیر می گذارد ، استفاده می کند.مشتریان نمی توانند تصمیمات را انتخاب کنند و فقط می توانند از MI گزارش شده به FC برای به حداکثر رساندن ابزار خود استفاده کنند.بسته به تراز بین خدمات مشتری و FC ، مشتری ممکن است علاقه فردی به افزودن نویز استراتژیک به مدل داشته باشد.این چارچوب کلی بیان شده و تخصص در مورد خوشه بندی است ، که در آن اطلاعات نماینده خوشه ای پر سر و صدا گزارش شده است.این برای مشکل برنامه ریزی مصرف برق اعمال می شود.در این زمینه ، عدم تدوین ابزار ، به عنوان مثال ، هنگامی اتفاق می افتد که مشتری می خواهد وقتی قیمت برق کم باشد ، مصرف کند ، در حالی که FC می خواهد که مصرف در هنگام کمترین میزان قدرت رخ دهد.این با داده های واقعی جمع شده از Ausgrid cite {ausgrid} نشان داده شده است.تجزیه و تحلیل عددی ما به وضوح نشان می دهد که مشتری می تواند با افزودن نویز به مدل گزارش شده به FC ، ابزار خود را افزایش دهد.نتایج مربوطه و کدهای منبع را می توان از cite {منبع کد} بارگیری کرد.