分散型化学プロセス最適化のためのプライバシー保護フェデレーテッドラーニング・フレームワーク

Abstract

産業用化学プラントはしばしば厳格なデータ機密性の制約のもとで運用されており、そのため中央集約型のデータ駆動プロセスモデリングが困難です。フェデレーテッドラーニング（FL）は、生データを共有することなく分散した施設間で共同でモデルを学習できることにより、有望な解決策を提供します。本論文では、地理的に離れた複数のプラントから収集したデータを用いた、分散型の化学プロセス最適化のためのプライバシー保護フェデレーテッド学習フレームワークを提案します。各プラントは、自己の時系列センサーデータを用いてニューラルネットワークに基づくプロセスモデルをローカルに学習し、モデルパラメータのみを、安全な集計メカニズムを通じて中央の集約サーバへ送信します。この設計により、厳格なデータ局所性と産業上の機密性を維持しつつ、プラント間での知識共有が可能になります。実験評価は、不均一な条件のもとで稼働する3つの独立した化学プラントのプロセスデータセットを用いて実施されました。その結果、フェデレーテッドモデルは急速に収束し、最初の5回の通信ラウンド内でグローバルな平均二乗誤差が約2369から50未満へ低下し、40ラウンド後には約35で安定しました。ローカルのみでの学習と比較すると、提案するフェデレーテッドフレームワークは、すべてのプラントにおいて予測精度を大幅に向上させる一方、中央集約型学習と同等の性能を達成しました。これらの結果は、フェデレーテッドラーニングが、分散した化学生産施設におけるプライバシー保護型の予測モデリングとプロセス最適化を可能にし、共同の産業アナリティクスに対して有効かつスケーラブルな解決策を提供することを示しています。