ABD’de Tennessee Tech ile Kanada’daki Ottawa Üniversitesi araştırmacılarının 9 Ekim’de arXiv’de yayımladığı ön baskı, elektrikli araç şarj yükü tahmininde dalgalı talep ve kullanıcı verisinin gizliliğini birlikte ele alan SecFD-FL yöntemini tanıtıyor. Sistem, hızlı değişimleri ve uzun dönemli eğilimleri ayrı modelleyen çift akışlı bir GRU ile istemcilerin güncellemelerini birleştirirken ham verinin sunucuya açıklanmasını önlemeyi amaçlayan sıfır toplamlı maskeleme katmanını birleştiriyor. Testlerde Palo Alto’nun beş belediye istasyonuna ait kayıtlar ile EV WATTS’tan seçilen araç geçmişleri kullanıldı.

Makale, altı federatif öğrenme taban çizgisine karşı Palo Alto verisinde R² 0,847, EV WATTS’ta 0,927 ve merkezî taban çizgilere kıyasla küresel RMSE’de en fazla yüzde 60 düşüş bildiriyor. Yazarlar ayrıca, denenen gradyan çıkarımı saldırısında ham FedAvg güncellemelerinden daha az veri benzerliği ve her eğitim turunda ek iletişim gerekmediğini raporluyor. Bunlar iki veri kümesi ve yazarların tehdit modeli içindeki sonuçlardır; maskeleme her gizlilik saldırısına karşı mutlak güvence sağlamaz ve tahmin kazanımı gerçek bir şarj şebekesinde saha doğrulaması değildir. Çalışma hakem değerlendirmesinden geçmemiş ön baskıdır.