콘텐츠로 이동

2026

실험6 Phase 2: Peak-Weighted Loss 적용

Source: report/version6/exp-expert/v6_0415_exp6_phase2_peak_loss.md

실험6 Phase 2: Peak-Weighted Loss 적용

1. 목적

Phase 1에서 원본 FeDPM 아키텍처의 MSE(0.579)가 B0(0.522)과 유사한 수준으로 학습됨을 확인. 단, PAPE가 49.77%로 B0(42.55%) 대비 악화 — 피크 예측 정확도 개선이 필요.

Phase 2는 Peak-Weighted Loss를 적용하여 PAPE를 직접 공략한다.

2. Phase 1 결과 요약 (원본 FeDPM)

실험6 Phase 3: Residual Path 심층 분석 및 DLinear Residual 설계

Source: report/version6/exp-expert/v6_0415_exp6_phase3_residual_analysis.md

실험6 Phase 3: Residual Path 심층 분석 및 DLinear Residual 설계

1. Phase 3 결과 요약 (Residual MLP)

H6-3: FAIL

P1 (Phase 2 최선) R1 (Phase 3) Δ
MSE 0.543 0.539 -0.004 (유사)
PAPE 42.67% 45.70% +3.03%p (악화)
HR 27.8% 28.5% +0.7
CB Util 3.8% 4.1% +0.3

Exp6 Phase 3b: DLinear Residual 결과 보고서

Source: report/version6/exp-expert/v6_0415_exp6_phase3b_dlinear_residual.md

Exp6 Phase 3b: DLinear Residual 결과 보고서

  • 실험: FeDPM + DLinear Residual Path
  • 날짜: 2026-04-15
  • 스크립트: experiments/distillation/v6_0415_fedpm_original.py --phase 3b

1. 실험 설계

가설

VQ path(FL 공유)가 공통 패턴을 잡고, DLinear(로컬 유지)가 가구별 고유 패턴을 보정하면 PAPE가 개선될 것이다.

실험4: FedAvg + FT 학습 파이프라인 정합성 감사

Source: report/version6/exp-critic/v6_0414_pipeline_integrity_review.md

실험4: FedAvg + FT 학습 파이프라인 정합성 감사

날짜: 2026-04-14 대상: v5 FL 실험 전체 파이프라인 (Phase 2 + Phase 3) 리뷰어: exp-critic 선행 리뷰: report/version5/exp-critic/v5_0413_FL_critic_review.md 수정 상태: 전건 수정 완료 (2026-04-14)

요약

Per-Household Z-score Normalization의 FedAvg 집계 한계

Source: report/version6/exp-expert/v6_0414_normalization_limitation.md

Per-Household Z-score Normalization이 FedAvg 글로벌 모델 집계에 미치는 한계

1. 문제 정의

본 연구의 FL 파이프라인에서 각 가구(클라이언트)는 자신의 학습 데이터에 대해 독립적으로 Z-score 정규화를 수행한다.

# src/fed_learning/data_utils.py:77-85
mean = float(np.mean(train_data))   # 가구별 독립 계산
std = float(np.std(train_data))
train_data = (train_data - mean) / std
val_data = (val_data - mean) / std
test_data = (test_data - mean) / std