プライバシー保護型非侵入型負荷監視（NILM）：自己調整型ソースを考慮したドメイン適応アプローチ

非侵入型負荷監視（NILM）は、全体の電力負荷の中で個々の家電の電力使用を特定し、より精密かつ安全な負荷管理を可能にします。しかし、既存の深層学習に基づくNILMモデルは、多様なデバイスからの大規模なラベル付きデータを必要とし、これには時間がかかり、プライバシーの懸念を引き起こします。さらに、これらの大規模データセットを扱うには、 significantな計算資源とメモリ資源が必要です。これらの問題に対処するために、自己調整型のソースを考慮したドメイン適応アプローチを提案します。 私たちの方法は、ソースドメインとターゲットドメイン間の特徴およびラベル分布の変化に対処するために、ドメイン敵対的ネットワークを使用します。プライバシーを保護するために、ソースドメインデータなしでモデルを微調整します。敵対的トレーニングを安定化させるために、自己調整メカニズム（SAM）を組み込みます。SAMは、ソースドメインデータにアクセスすることなくパラメータの更新を保証し、プライバシーを保護しながら安定したトレーニングを可能にします。信頼性に基づくラベル密度マップ（LDM）は、微調整用の擬似ラベルを生成します。我々は、合成データと実データにおけるドメイン内およびドメイン間適応性研究により、我々のアプローチを検証しました。我々の結果は、我々の方法が、微調整段階でソースデータの必要を排除しながらプライバシーを効果的に保護しつつ、通常の使用パターンを持つデバイスに対してソースベースの方法よりも優れた分解精度を達成することを示しています。これは、同様の安定性要件を持つ産業測定環境におけるNILMの効率とエネルギー管理を改善する可能性を提供します。