阅读提示：本文约 2700 字
为了解决由于数据整合困难及数据隐私保护造成的单个电力公司不足以训练出高性能电力图像目标检测模型的问题，东南大学的研究团队提出了面向电力巡检图像目标检测任务的联邦学习激励机制：针对参与方全部为数据拥有方的模式，提出了基于模型公平的电力巡检图像目标检测激励机制；针对同时存在数据拥有方和数据需求方的模式，提出了基于收益公平的电力巡检图像目标检测激励机制。
研究背景
基于深度学习的目标检测算法能够高效处理电力巡检图像，及时发现故障隐患。然而，单个电力公司采集的数据数量和类型有限，电力巡检图像数据以“数据孤岛”的形式存在于各个电力公司中，将全部数据整合在一起可行性差、效率低，无法通过数据驱动的深度学习方法训练得到高性能模型。此外，由于数据隐私规定，电力公司收集的电力巡检图像数据不允许与他人共享，限制了研究学者和第三方机构获取相关数据，以构建和改进面向电力巡检图像处理的深度学习模型。为了解决这一问题并激励更多参与方加入面向电力巡检图像目标检测的联邦学习，构建公平有效的电力巡检图像目标检测联邦激励机制十分重要。
论文所解决的问题及意义
本文构建了基于模型公平和基于收益公平的电力巡检图像目标检测联邦激励机制。基于模型公平的激励机制适用于所有参与方都是数据拥有方的情况，通过贡献评估分配不同性能的模型；基于收益公平的激励机制针对同时存在数据拥有方和数据需求方的模式，数据拥有方获得相应的收益，而数据需求方获得高性能模型。进一步地，通过实验验证了这两种激励机制均能够在保证模型精度的前提下，提升面向电力巡检图像目标检测联邦训练的公平性，吸引更多参与方加入到联邦学习中，从而为不同电力公司和机构联合训练高精度的电力巡检图像目标检测模型提供了理论基础。
论文方法及创新点
为了构建一套公平合理的电力巡检图像目标检测联邦学习激励机制，首先需要研究针对参与方本地电力巡检图像数据贡献度的衡量方法。本文分别提出了直接评估法和边际效用评估法两种评估方法，其中直接评估方法即根据客户端拥有数据的数量、类别量等因素，计算各个客户端的贡献度；边际效用评估法即根据客户端可以产生的效益来计算贡献度。
针对参与方全部为数据拥有方的模式，本文提出了基于模型公平的联邦激励机制。参与方在本地各自拥有部分电力巡检图像数据集，通过联邦激励机制，融合多方的数据信息，协同训练出更优的电力巡检图像目标检测模型，并根据各自的贡献度，分配全局模型参数得到不同性能的模型。
图1 全局模型参数分配方法
图2 基于模型公平的联邦学习激励机制
图3 基于贡献度衡量的模型公平联邦训练与单方训练结果对比
在某些情况下，既存在数据提供方，又存在数据需求方。数据提供方拥有一定数量和质量的电力巡检图像数据，但不需要获得目标检测模型；数据需求方缺乏电力巡检图像数据，但需要得到相关的目标检测模型。
针对这种情况，本文提出了基于收益公平的联邦激励机制。结合联邦学习激励机制，基于数据提供方的成本代价、数据质量以及基于时间序列的期望损失共同建模得到公平的收益分配方法，以此构建出基于收益公平的电力巡检图像目标检测联邦激励机制。
图4 面向电力巡检图像目标检测的联邦收益分配流程
图5 在基于数量倾斜的数据异质分布下参与方期望损失和时间期望损失的变化趋势
结论
本文针对电力巡检图像目标检测联邦学习中存在的不公平性问题，分别构建了基于模型公平和收益公平的电力巡检图像目标检测联邦激励机制。在基于模型公平的联邦激励中，参与方作为数据提供方，获得不同性能的电力巡检图像目标检测模型。在基于收益公平的联邦激励中，既有数据提供方又有数据需求方，通过综合考虑成本、贡献度以及期望损失建模，数据提供方得到与贡献相匹配的收益，数据需求方获得高性能模型。
实验结果表明，在基于模型公平的激励机制中，公平性相关系数最高可以达到0.96；在基于收益公平的联邦激励机制公平性度量中，相关系数可以达到1。以上两种联邦激励机制，均能够在保证模型精度的前提下，提升面向电力巡检图像目标检测联邦训练的公平性，从而吸引更多参与方加入到联邦学习中。
团队介绍
仲林林
东南大学至善青年学者，教学科研岗副研究员，博士生导师。2017年毕业于西安交通大学和法国图卢兹第三大学，分别获得电气工程和等离子体工程博士学位，后加入东南大学电气工程学院。现任中国电工技术学会青年工作委员会委员、中国电机工程学会高电压专委会青年学组委员、IEEE PES中国区输配电技术委员会检测试验技术分委会理事、江苏省电源学会高压与等离子体专委会副秘书长。主要从事高电压与放电等离子体数值模拟，以及人工智能与等离子体仿真、多物理场建模、电力设备智慧运维的交叉研究。近年来，主持国家级和省部级科研项目5项；在国内外学术期刊发表论文50余篇，出版软件开发专著2部；获数学、物理、电气等领域国际会议邀请报告10余次；入选2021年江苏省科协青年科技人才托举工程。主要学术贡献包括：理论证明了不同等离子体组分计算理论的有限等价性；建立了完备的平衡态与非平衡态等离子体物性参数计算模型，自主开发了相应的通用程序包；构建了面向环保气体应用的基础参数开放数据库；提出了面向低温等离子体数值模拟的深度学习计算框架和元学习加速策略；提出了面向电力巡检图像智能处理的目标检测算法、异常检测算法、联邦学习聚合算法和激励机制。
本工作成果发表在2024年第17期《电工技术学报》，论文标题为“面向电力巡检图像目标检测的联邦学习激励机制“。本课题得到国家自然科学基金、江苏省科协青年科技人才托举工程和东南大学“至善青年学者”支持计划项目的支持。
引用本文
仲林林, 刘柯妤. 面向电力巡检图像目标检测的联邦学习激励机制[J]. 电工技术学报, 2024, 39(17): 5434-5449. Zhong Linlin, Liu Keyu. Federated-Learning Incentive Mechanism for Object Detection in Power Inspection Images. Transactions of China Electrotechnical Society, 2024, 39(17): 5434-5449.
阅读全文
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
CES电气
学会官方B站
CES TEMS
今日头条号
学会科普微信
大赛官方微信
☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（英文）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ “电工技术学报”微信号运营编辑：13121222619（微信同号） ☎️ “CES电气”微信号运营编辑：18500877291（微信同号）
