Aprendizaje Federado Personalizado por Transferencia para la Predicción del Ciclo de Vida de Baterías de Ion de Litio en Clientes Heterogéneos con Protección de Privacidad de Datos

El pronóstico de salud dentro del paradigma de Internet de las Cosas (IoT) enfrenta varios desafíos, incluyendo la privacidad de los datos, la deriva del cliente y la precisión de la predicción. El aprendizaje federado (FL), como un paradigma de aprendizaje automático descentralizado emergente, tiene el potencial de abordar estos desafíos integrando múltiples silos de datos de manera distribuida y preservando la privacidad. Este artículo desarrolla un nuevo marco de aprendizaje por transferencia federado personalizado (PFTL) para un pronóstico de salud personalizado de múltiples clientes heterogéneos. El marco comienza con un potente modelo de pronóstico global inicial que se preentrena utilizando un conjunto de datos disponible públicamente en un servidor central. El modelo global preentrenado se distribuye a los clientes locales y se ajusta finamente por separado en sus respectivos conjuntos de datos privados. Los modelos de pronóstico local ajustados se cargan en el servidor central para la agregación dinámica del modelo ponderado. El modelo agregado se distribuye a cada cliente para implementar un entrenamiento adversarial de dominio y obtener un modelo de pronóstico local más detallado. El marco PFTL propuesto incorpora un módulo de atención multiescala y un módulo de autoatención de múltiples cabezas en paralelo al modelo de pronóstico basado en aprendizaje profundo, que se comparte entre el servidor central y cada cliente local. A través de verificaciones experimentales a partir de pruebas de laboratorio y conjuntos de datos de baterías de litio de carga rápida de código abierto, demostramos que el método propuesto puede lograr una predicción precisa del ciclo de vida sin comprometer la privacidad de los datos.