FedCMAPSS: benchmark dla uczenia federacyjnego w szacowaniu pozostałego czasu życia

FedCMAPSS to pierwszy benchmark stworzony do oceny algorytmów uczenia federacyjnego w kontekście szacowania pozostałego czasu życia urządzeń. Problem ten jest kluczowy dla Industry 4.0, gdzie firmy chcą trenować modele prognostyczne wykorzystując dane sensoryczne z wielu źródeł bez konieczności dzielenia się wrażliwymi informacjami. Dotychczas badania nad federated learning w tej dziedzinie nie miały wspólnej ramy porównawczej, co utrudniało rozwój praktycznych rozwiązań.

Benchmark bazuje na wciąż powszechnie używanym zbiorze danych NASA C-MAPSS i definiuje pięć standaryzowanych zadań, które realnie odzwierciedlają wyzwania przemysłowe. Zadania obejmują wszystko od idealnych warunków, gdzie dane są identycznie rozprowadzone (IID), aż po ekstremnie heterogeniczne scenariusze, w których różne maszyny czy linie produkcyjne mają zdecydowanie różne charakterystyki. Autorzy systematycznie oceili najnowocześniejsze algorytmy optymalizacji federated learning na múltych architekturach neuronowych, tworząc reproducible baseline'i.

Publikacja kodu źródłowego i podziałów danych powinny przyspieszyć standaryzację w tej niszowej, ale rosnącej dziedzinie. Federated learning jest szczególnie wartościowy dla utrzymania predykcyjnego, bo pozwala manufakturom współpracować w doskonaleniu modeli bez ujawniania konkurencyjnych danych operacyjnych - a common benchmark stanowi niezbędny fundament dla rzeczywistego wdrażania takich systemów.