面向隐私隔离的个人移动设备间荷电状态预测的少样本联邦学习

《Computers》：Few-Shot Federated Learning for State-of-Charge Prediction Across Privacy-Isolated Personal Mobile Devices

　　

摘要

在个人移动设备上准确预测电池荷电状态（SOC）需要一个能够表征异质放电机制、跨用户迁移知识，并在目标端原始遥测数据保持隐私隔离的情况下从稀缺记录中进行适应的模型。本研究提出了一种模块分解驱动的SOC预测模型，该模型在统一的放电动力学框架内将基线电量消耗、同步状态响应和异步多尺度事件记忆进行分离。同一组三个语义系数块通过本地源端学习和按轮次样本量加权的联邦聚合保持对齐。目标端个性化阶段仅调整一个由本地导出的个人放电速率标量，同时保留共享的时间响应，前向SOC传播则生成基于阈值的预计耗尽时间（TTE）估计。基于公开小样本智能手机日志数据集的用户留出评估使用了八个目标分区和447个最终评估起点。个性化微调使TTE的MAE降低了67.07%，RMSE降低了71.88%，获得了0.936的。所得到的任务特定架构将模块化的数据处理、联邦合成、小样本适配和本地TTE推理连接起来，同时原始使用日志保持在用户特定的数据边界内。