Apprendimento Federato per la Prognosi dei Motori Aerospaziali in Presenza di Eterogeneità dei Clienti

Un recente preprint arXiv (2608.04045) esplora i temi dell'apprendimento federato robusto e personalizzato specificamente per la prognosi dei motori aerospaziali, affrontando sia la diversità benigna che quella avversaria dei clienti. Questa ricerca, condotta da un team di scienziati, mira a sviluppare modelli di vita utile residua (RUL) utilizzando la telemetria dei sensori del motore, evitando lo scambio di dati grezzi. L'eterogeneità benigna coinvolge operatori onesti che sperimentano varie condizioni operative e modalità di guasto, mentre l'eterogeneità avversaria si riferisce a operatori compromessi che forniscono aggiornamenti alterati. Lo studio impiega una rete neurale convoluzionale unidimensionale multi-task e una partizione non-IID dal benchmark Commercial Modular Aero-Propulsion System Simulation (C-MAPSS). Confronta quattro soluzioni per l'eterogeneità benigna e valuta cinque attacchi contro quattro metodi di aggregazione, inclusa una backdoor basata sui valori dei sensori progettata per oscurare il degrado del motore. I risultati indicano che la personalizzazione della rappresentazione condivisa riduce il divario di errore quadratico medio radice (RMSE) locale-centralizzato di circa il 70%. La ricerca dà priorità a valutazioni orientate alla sicurezza e a esperimenti controllati.