一种隐私保护的联邦学习框架

大数据时代,数据安全性和隐私性受到越来越多的关注和重视。联邦学习被视为是一种隐私保护的可行技术,允许从去中心化的数据中训练深度模型。针对电力投资系统中各部门因担心数据隐私信息泄露而带来的数据孤岛和隐私保护问题,提出了一种隐私保护的联邦学习框架,允许各部门自有数据在不出本地的情况下,联合训练模型。首先,提出了联邦学习的架构,支持分布式地训练模型;其次,引入同态加密技术,提出了隐私保护的联邦平均学习流程,在数据隐私保护的情况下,实现联合训练模型;最后,实验结果表明,该框架具有较好的收敛性,而且联合训练得到的模型具有较好的精度。

浅谈电力综合统计之指标元数据管理

指标直接反映企业的生产运营状况,为企业决策提供数据支撑.然而,企业在管理和应用指标过程中往往面临指标纷繁复杂,统计口径不一致,缺乏有效管理工具的困难,指标管理上的诸多痛点让统一指标管理成为普遍需求.阐述了指标元数据管理的方法和思路,在指标元数据逻辑模型基础上构建指标元数据管理平台,实现指标元数据的采集、存储、管理及应用,通过指标元数据维护流程,规范指标管理活动,保障了指标的规范性、唯一性和统计口径的一致性.