Un preprint publicado en arXiv el 9 de octubre por investigadores de Tennessee Tech, en Estados Unidos, y la Universidad de Ottawa, en Canadá, presenta SecFD-FL, un método que aborda tanto la variabilidad de la demanda como la privacidad en la predicción de carga de vehículos eléctricos. Combina una GRU de doble flujo, que modela por separado fluctuaciones rápidas y tendencias de más largo plazo, con un enmascaramiento de suma cero destinado a evitar que los datos brutos de los clientes se revelen al servidor durante la agregación. Las pruebas usaron registros de cinco estaciones municipales de carga de Palo Alto e historiales seleccionados de vehículos de EV WATTS.

Frente a seis referencias de aprendizaje federado, el artículo informa de un R² de 0,847 en los datos de Palo Alto y 0,927 en EV WATTS, así como una reducción de hasta el 60 % del RMSE global respecto a referencias centralizadas. Los autores también informan de menor similitud con los datos recuperados en el ataque de inversión de gradientes probado que con actualizaciones FedAvg sin enmascarar, sin comunicación adicional por ronda. Estos resultados corresponden a dos conjuntos de datos y al modelo de amenazas de los autores; el enmascaramiento no demuestra protección absoluta ante todos los ataques de privacidad y las mejoras de pronóstico no se han validado en una red de carga operativa. El trabajo es un preprint aún no revisado por pares.