Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data
作者: Lele Qi, Mengna Liu, Xu Cheng, Fan Shi, Xiufeng Liu, Shengyong Chen
发布时间: 2025-03-12
来源: arxiv
研究方向: 风能领域中的风轮叶片结冰检测与联邦学习
主要内容
本文针对风能领域中的风轮叶片结冰检测问题，提出了一种基于原型学习的异构联邦学习模型（FedHPb），用于解决数据隐私和异构环境下的模型优化问题，并针对数据不平衡问题提出了对比监督损失函数。
主要贡献
1. 提出了一种基于原型学习的异构联邦学习模型（FedHPb），有效解决了数据隐私和异构环境下的模型优化问题。
2. 针对数据不平衡问题，提出了对比监督损失函数，通过调整损失函数中的动态权重来平衡不同类别的影响。
3. 在真实数据集上进行了实验，结果表明FedHPb模型在mFβ和mBA指标上均优于其他方法，平均提升19.64%和5.73%。
研究方法
1. 联邦学习（FL）
2. 原型学习
3. 对比监督学习
4. 损失函数优化
实验结果
在真实数据集上进行的实验结果表明，FedHPb模型在mFβ和mBA指标上均优于其他方法，平均提升19.64%和5.73%。此外，消融实验和敏感性分析表明，FedHPb模型的关键组件和参数对模型性能有显著影响。
未来工作
未来工作将重点关注以下几个方面：1）降低数据泄露风险，特别是当客户端向服务器发送提取的特征进行全局原型聚合时；2）研究更有效的联邦学习算法，提高模型性能；3）探索更先进的隐私保护技术，如混淆矩阵技术和同态加密等。