earticle

영어

Smart homes generate sensitive, heterogeneous data that strain centralized learning with privacy risks, bandwidth costs, and latency. We are committed to building a federated framework that enables rapid, scalable learning while safeguarding privacy. We proposed the Privacy -preserving and Low-latency Edge Cloud (PLEC) federated learning framework, integrating device side Differentially Private Stochastic Gradient Descent (DP-SGD), edge side secure aggregation, and communication efficient update mechanisms, coupled with adaptive client scheduling. Across energy forecasting, keyword detection, and activity recognition tasks. The PLEC federated learning achieved a mean squared error of 0.219, an accuracy rate of 94.3%, and F1 score of 93.9%. It simultaneously reduces per round uplink data to 4.2MB and single round latency to 1.1s, significantly outperforming.

한국어

스마트 홈은 민감하고 이질적인 데이터를 생성하여 중앙 집중식 학습에 프라이버시 위험, 대역폭 비용, 지연 시간 등의 부담을 가중시킨다. 프라이버시를 보호하면서 신속하고 확장 가능한 학습을 가능하게 하는 연합학 습 프레임워크 구축에 노력하고 있다. 개인정보 보호 및 저지연 에지 클라우드(PLEC) 연합 학습 프레임워크를 제안한다. 본 프레임워크는 기기 측 차등적 프라이버시 확률적 경사 하강법 (DP-SGD), 에지 측 보안 집계, 통신 효율적 업데이트 메커니즘을 통합하며, 적응형 클라이언트 스케줄링과 결합된다. 에너지 예측, 키워드 탐지, 활동 인식 작업 전반에 걸쳐 적용된다. 제안한 방식은 에너지 예측, 키워드 탐지, 활동 인식 작업 전반에 걸쳐 PLEC 연합 학습은 평균 제곱 오차 0.219, 정확도 94.3%, F1 점수는 93.9%를 보였다. 동시에 라운드당 업링크 데이터를 4.2MB로 줄이고 단일 라운드 지연 시간을 1.1초로 단축하여 성능이 크게 향상되었다.