プライバシー保護型連合学習による建物エネルギー需要予測:集約戦略の差分プライバシー分析
Privacy-Preserving Federated Learning for Building Energy Forecasting: A Differential Privacy Analysis of Aggregation Strategies
分散された建物ポートフォリオ全体の時間ごとの電力消費量予測は、グリッド管理とデマンドレスポンスにとって重要ですが、詳細なエネルギーデータの機密性が中央集約を制約します。連合学習(FL)は、モデルをその場でトレーニングしますが、FLの上に正式な差分プライバシー(DP)保証を重ねるコストは、建物エネルギーワークロードでは十分に調査されていません。本研究では、Building Data Genome Project 2の50の商業ビル連邦全体で、3つのFL集約戦略(FedAvg、FedProx、FedBN)と4つの累積プライバシーバジェット(ε ∈ {0.5, 1, 3, 6.5}, δ = 10−5)の下でCNN-LSTM予測モデルをトレーニングしました。直感に反して、すべての12のDP-FL構成は、DPなしのFedAvgベースラインよりも17%から37%低い検証済み平均二乗誤差(MSE)を達成しました。差分プライバシーストキャスティック勾配降下法(DP-SGD)におけるサンプルごとの勾配クリッピングを進化させ、これが異種クライアントの更新を制約する最も可能性の高いメカニズムであると特定しましたが、それが要求するDP互換アーキテクチャは制御されていない交絡因子であることに注意してください。DPレジーム内では、FedAvgは予想される単調なプライバシー・ユーティリティフロンティアを示し、FedBNは弱い反単調挙動を示し、FedProx(μ = 0.01)は最もタイトなバジェットでも収束に失敗しましたが、集約戦略の選択は精度への影響においてプライバシーバジェットに匹敵する可能性があります。これらは1つのサイトからの単一シードの結果であり、指定するマルチシードレプリケーションとアブレーションを動機付ける予備的な特徴付けとして提供されます。
- Building Data Genome Project 2の50の商業ビルを対象に、CNN-LSTM予測モデルを3つのFL集約戦略(FedAvg、FedProx、FedBN)と4つのプライバシーバジェット(ε∈{0.5,1,3,6.5}、δ=10−5)で学習した実証研究
- 直感に反し、12のDP-FL構成すべてがDPなしのFedAvgベースラインより検証MSEで17〜37%低い(改善)結果を示した
- サンプルごとの勾配クリッピング(DP-SGD)が異種クライアント間の更新を制約する主要メカニズムと特定される一方、それが要求するDP互換アーキテクチャは未制御の交絡因子と指摘
- DP条件下ではFedAvgが想定通りの単調なプライバシー・ユーティリティフロンティアを示す一方、FedBNは弱い反単調挙動、FedProx(μ=0.01)は最もタイトな予算でも収束に失敗した
- 集約戦略の選択が精度への影響においてプライバシーバジェットに匹敵し得ると結論、ただし単一サイト・単一シードの結果でありマルチシード複製とアブレーションは今後の課題とする予備的特徴付け
連合学習(FL)と差分プライバシー(DP)の組み合わせは、機密データを抱える業界向けAIの実用化可否を左右する論点。本研究は「DPを足すと精度が落ちる」という通説に反し、DP-FL構成がDPなしベースラインよりMSEを17〜37%改善したと報告しており、プライバシー規制下でも予測精度を犠牲にせず商用化できる可能性を示す。ただし単一サイト・単一シードの予備的結果で、DP互換アーキテクチャという交絡因子も未制御。集約戦略の選択がプライバシーバジェットと同等に精度へ効くという知見は、FLプラットフォーム/プライバシー計算基盤への投資判断において、どの技術スタックが覇者になるかを見極める材料になる。