本次将会介绍有关《基于联邦对抗生成网络的用户用电隐私数据共享研究》的进展。
进展内容主要在两个部分的实验：
1.联邦学习下WDCGANs的生成实验，以及生成数据在聚类、分类任务取得的表现。
2.加入了差分隐私，多方安全计算理念的联邦WDCGANs数据生成实验，以及生成数据在分类，聚类任务中取得的表现。
两个实验都在包括2个、4个，10个数据节点上分别进行了Mnist（手写数字识别，图片数据）,CER（用电数据，时序数据）数据集的数据生成，并在分类、聚类任务中取得了良好的效果。
下面补充课题的背景知识
课题的背景：目前有很多深度学习的模型应用在电力系统中，如用户的用电行为分析，电网的负荷预测，新能源的消纳融合。但这些模型的研究和实验，多数是假设数据可以从一个数据湖中自由的访问和共享。
研究的问题：然而，在实际的应用中，电力数据由不同的零售商所共享，由于电力数据的敏感特性及相关法规，电力数据不能自由的访问和共享。这成为了制约各种深度学习模型在电力领域应用和研究的瓶颈。
研究目的：我们提出使用联邦学习和对抗生成网络结合的方法，实现用户用电隐私数据的共享。
研究课题的整体思路 本次汇报，主要是介绍第2，3实现目标。
实现的目标：1.由于GANs网络的方法能够通过生成的方式实现隐私数据共享，因此，我们尝试设计一款适合电力时序数据的WDCGANs，生成电力数据用于共享。此时，我们针对的是某一个节点的数据进行生成实验，目的是设计一种能稳定生成电力数据的网络，并在socio-demographic任务中测试生成数据的质量。
2.解决单个数据源数据有限的问题，我们使用的方法是在GANs中加入联邦学习的理念，在多个节点共同训练WDCGANs。此时生成的数据是所有节点共同构成数据集，相当于拥有了所有节点的相似数据。我们在整个阶段设计了4个节点，10个节点的联邦WDCGANs的网络，并在Mnist,CER数据集上进行生成实验。生成的数据进行分类，聚类，回归实验，验证数据是否能够在这些任务中取代真实数据。
3. 解决联邦学习训练的模型可能由于梯度信息泄露造成的安全问题。我们在联邦WDCGANs的各个节点的梯度信息中加入差分隐私，或采用多方安全计算的方式汇集各个节点的梯度信息，以此，解决梯度信息可能泄露的问题。我们的实验设计了4个，10个节点的Fed-WDCGANs模型，并在 在Mnist,CER数据集上进行生成实验。生成的数据进行分类，聚类，实验。
模型带来的好处：
1.实现数据共享，
2.促进下游任务（分类，回归，聚类）的研究，
3.可以轻松汇集来自不同来源的数据，为分层聚合和构建更强大的数据提供可能性。
存在的问题：1.多方安全计算汇聚梯度信息时，汇聚的方式是否需要第三方还未考虑清楚。
2.尝试了对梯度信息使用RSA加密汇聚，但实验并没有成功。问题出在使用pytorch计算梯度时，batch计算时中间产生了一些文本信息，致使梯度合并时夹杂了不需要的内容。
3.尝试对CER数据进行聚类后，给每个用电数据一个新的标签进行分类实验，但取得的效果很差。
待完成的任务：
1.生成数据在回归任务中的表现。后续需要研究电力数据用于负荷预测，并用真实数据与生成数据进行比较。
2.实验是在各个节点的数据为非独立同分布的情况下进行的，而独立同分布的情况还没有进行，需要补充完成。
3.第二，三篇论文的攥写。
