基于联邦学习的建筑库存建模技术，用于住宅建筑中隐私保护的实物碳排放基准测试 Naif Albelwi

《Buildings》：Federated Learning-Enabled Building Stock Modeling for Privacy-Preserving Embodied Carbon Benchmarking in Residential Construction Naif Albelwi

　　

摘要

准确评估住宅建筑中的固有碳含量需要大量数据共享，这将在建筑相关的利益方之间引发严重的隐私和竞争问题。本研究介绍了一种基于联邦学习的新建筑存量建模系统（FedCarbon），该系统可以在不进行数据集中汇总的情况下协作评估固有碳含量。所提出的架构使建筑公司、城市和建筑材料供应商能够同时共同训练预测模型，同时通过基于层次结构的联邦聚合机制和基于注意力的客户端权重设置来保障数据主权。一种根据噪声情况自适应调整的差异化隐私方案确保了每个项目的隐私，并允许基于异构建筑组合进行具有统计意义的基准评估。该框架还包括一种基于动量的梯度压缩方案，与传统基于联邦平均的方法相比，通信开销减少了82.6%，同时仍能保持模型收敛性。该方法的有效性通过UCI能源效率数据集（包含768种住宅建筑配置）和欧洲建筑固有碳数据库（包含12个欧洲司法管辖区的2340个住宅单元）的全面验证得到证实。实验表明，FedCarbon在固有碳强度方面的预测准确率为94.2%（R2值），平均绝对误差为21.4 kgCO₂e/m²；并且可以保证（ε, δ）差异隐私，其中ε = 1.0，?δ = 10^?5。这一结构有助于释放建筑存量的知识，并加速整个行业实施低碳建筑策略。