産業オートメーションとスマート電力網の急速なデジタルトランスフォーメーションにより、分散型サイバーフィジカルシステム全体でデータ駆動のインテリジェンスが大規模に展開されています。集中型機械学習技術は予知保全、故障検出、エネルギー最適化において有効性を示してきましたが、データプライバシー、サイバーセキュリティ、および規制遵守に関する重要な懸念を引き起こします。産業装置やグリッドインフラによって生成される機密性の高い運用データは、組織的または地理的な境界を越えて自由に共有することはできません。連合学習（FL）は、中央集約データなしで協調的にモデルを訓練可能にする有望なパラダイムとして浮上しています。本論文では、安全な産業オートメーションとグリッド最適化のための連合学習の適用を検討します。エッジデバイスとローカル制御センターが協働してデータ機密性を保護しつつグローバルモデルを訓練する連合フレームワークを提案します。この手法は、セキュア集約、通信効率の良いモデル更新、および異種産業環境に適した適応学習戦略を統合しています。性能評価の結果、提案するFLベースの手法は集中型学習と同等の精度を達成しつつ、プライバシー保護とシステム耐障害性を大幅に向上させることが示されました。これらの結果は、連合学習が次世代の産業オートメーションとスマートグリッド最適化における実用的でスケーラブルな解決策であることを示しています。
Islamら（Sat,）がこの問題を研究しました。