Une prépublication mise en ligne sur arXiv le 9 octobre par des chercheurs de Tennessee Tech, aux États-Unis, et de l’Université d’Ottawa, au Canada, présente SecFD-FL, une méthode qui traite à la fois la variabilité de la demande et la confidentialité des données de recharge des véhicules électriques. Elle combine un GRU à deux flux, qui distingue les fluctuations rapides des tendances plus longues, et un masquage à somme nulle destiné à éviter que les données brutes des clients ne soient révélées au serveur lors de l’agrégation. Les tests utilisent les relevés de cinq stations municipales de Palo Alto et des historiques sélectionnés de véhicules issus d’EV WATTS.

Face à six méthodes fédérées de référence, l’article rapporte un R² de 0,847 sur les données de Palo Alto et de 0,927 sur EV WATTS, ainsi qu’une baisse allant jusqu’à 60 % de la RMSE globale par rapport aux références centralisées. Les auteurs signalent également une moindre similarité des données récupérées lors de l’attaque par inversion de gradient testée qu’avec des mises à jour FedAvg brutes, sans communication supplémentaire à chaque tour. Ces résultats concernent deux jeux de données et le modèle de menace des auteurs ; le masquage ne garantit pas une protection absolue contre toutes les attaques de confidentialité, et les gains de prévision n’ont pas été validés sur un réseau de recharge en service. La prépublication n’a pas encore été évaluée par les pairs.