인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
Refrigerator temperature prediction using neural networks can improve both energy efficiency and customer experience in smart home environments. Training high-quality neural networks, however, requires large-scale data that accurately reflects diverse customer usage patterns. In practice, collecting and centralizing such data is challenging because of data privacy concerns. To address this issue, we adopt federated learning (FL), which enables collaborative model training across customers while preserving data privacy. In this study, we propose a robust FL that incorporates a data-level anomalous customer detection using an autoencoder model. This component is crucial because a subset of customers may exhibit anomalous data from various factors such as hardware malfunctions or abnormal usage patterns, which degrade the efficacy of the FL. The proposed framework, named DrFL, identifies customers with anomalous data and excludes them in the FL, thus preventing their adverse impact on the global model. Experimental results demonstrate that DrFL reduces prediction error by over 40% on average compared to existing FL methods, and maintaining robust generalization performance for new customers who did not participate in federated training. These results indicate that the proposed method effectively mitigates the influence of anomalous customer data.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-096852483
