Federated Learning for Predictive Maintenance and Quality Inspection in Industrial Applications

解决问题：本文旨在探讨联邦学习在工业应用中预测维护和质量检查方面的性能表现，比较不同的联邦学习聚合方法与中心化、本地化训练方法的差异。同时，本文引入了一个新的联邦学习数据集，来自实际的质量检查场景。

关键思路：本文的关键思路是评估不同联邦学习聚合方法在工业应用中的表现，并比较它们与传统中心化、本地化训练方法的优劣。研究结果表明，联邦学习的性能高度依赖于数据及其在客户端之间的分布情况。在某些情况下，联邦学习可以成为传统中心化或本地化训练方法的有效替代品。

其他亮点：本文引入了一个新的联邦学习数据集，来自实际的质量检查场景。实验使用了四个具有不同数据分布的数据集。作者还评估了不同的联邦学习聚合方法的性能表现，并比较了它们与传统中心化、本地化训练方法的优劣。本文未提及是否有开源代码。

关于作者：本文的主要作者是Viktorija Pruckovskaja、Axel Weissenfeld、Clemens Heistracher、Anita Graser和Julia Kafka。他们所在的机构是AIT Austrian Institute of Technology和TU Wien。他们之前的代表作未在数据库中找到。

相关研究：近期其他相关的研究包括：1）"Privacy-Preserving Federated Learning with Byzantine Robustness: A Comprehensive Survey" by Xiaohui Liang, Wei Ma, and Qian Wang from Wuhan University; 2) "Federated Learning with Differential Privacy: Algorithms and Performance Analysis" by Zhiqiang Yang, Wenjie Ruan, and Xiaoyang Wang from Beijing University of Posts and Telecommunications; 3) "Federated Learning for Healthcare: A Review" by Rui Shu, Irene Y. Chen, and Stefano Ermon from Stanford University.

论文摘要：本文探讨了联邦学习在工业应用中预测维护和质量检测方面的作用。数据驱动的机器学习在工业4.0的进展中扮演着关键角色，特别是在增强预测维护和质量检测方面。联邦学习使多个参与者能够开发机器学习模型，而不会泄露其数据的隐私和机密性。本文评估了不同FL聚合方法的性能，并将其与中央和本地训练方法进行比较。研究基于四个具有不同数据分布的数据集。结果表明，FL的性能高度依赖于数据及其在客户端之间的分布。在某些情况下，FL可以成为传统中央或本地训练方法的有效替代品。此外，本文还介绍了一个来自实际质量检测环境的新的联邦学习数据集。

内容中包含的图片若涉及版权问题，请及时与我们联系删除