Die genaue Vorhersage des Wohnenergieverbrauchs steht vor wesentlichen Herausforderungen hinsichtlich Datenschutz, sich entwickelnden Lastmustern und Modelltransparenz. Wir präsentieren EXFEDL, ein erklärbares, gruppiertes föderiertes Lernmodell, das Haushalte nach zeitlicher Ähnlichkeit gruppiert und clusterspezifische Modelle unter Verwendung eines zeitlichen konvolutionalen Netzwerks mit globaler Aufmerksamkeit lernt. Um die Interpretierbarkeit zu verbessern, bieten Shapley Additive Erklärungen Einblicke auf Haushalt- und Cluster-Ebene. Ein Stabilitätscontroller überwacht das Verhaltensdrift und löst adaptive Neugruppierungen aus, um die Zuverlässigkeit über die Zeit aufrechtzuerhalten. Experimente mit realen Datensätzen zeigen, dass EXFEDL die Vorhersagegenauigkeit, die Konsistenz der Erklärungen und die Anpassungsfähigkeit im Vergleich zu zentralisierten und standardisierten föderierten Lernansätzen verbessert.
Nuñez et al. (Do,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: