融合电力数据的纵向联邦学习企业排污预测模型
作者机构:嵩山实验室 郑州大学计算机与人工智能学院 郑州大学网络空间安全学院 国网河南省电力公司信息通信份公司
出 版 物:《计算机应用》 (Journal of Computer Applications)
年 卷 期:2024年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 083305[工学-城乡生态环境与基础设施规划] 09[农学] 0903[农学-农业资源与环境] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0833[工学-城乡规划学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:河南省重点研发与推广专项(212102310039) 嵩山实验室预研项目(YYYY022022003)
主 题:纵向联邦学习 逻辑回归算法 隐私求交 Paillier同态加密 数据共享
摘 要:针对企业排污难以监测和控制的问题,在考虑数据安全共享和隐私保护前提下,提出了一种整合电力数据的纵向联邦学习企业排污预测(Vertical Federated Learning Enterprise Emission Prediction,VFL-EEP)模型。首先,在纵向联邦学习框架下改进逻辑回归模型,在不泄露电力和环保企业排污监测数据的前提下,允许将数据的使用和模型训练分离;然后,通过改进逻辑回归算法使其能够结合Paillier加密技术保证模型参数传递安全,有效解决纵向联邦学习中参与方之间通信不安全问题。最后,通过对仿真数据进行实验,与集中式逻辑回归建模的排污预测结果:相比本文在隐私安全的前提下融合电力数据,准确率、召回率、精确率和F1值分别提升了8.92%、7.62%、3.95%和11.86%,有效实现隐私保护和模型性能的均衡。