Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization

Dieses Papier schlägt ein datenschutzfreundliches föderiertes Lernframework zur verteilten Optimierung chemischer Prozesse vor, das Datenvertraulichkeitsbeschränkungen in Industrieanlagen adressiert. Es ermöglicht kollaboratives Modelltraining über Standorte hinweg, indem nur Modellparameter sicher übertragen werden, wodurch Datenlokalität und industrielle Vertraulichkeit gewahrt bleiben.