HXAI：分布式能源系统中的分层隐私保护可解释 AI 框架

电网运营商需要电器级、与决策相关的用电解释，但提高透明度会带来家庭隐私风险，常规隐私技术又会降低解释可用性。

• 场景：作者称可再生能源间歇与随机用电使供需平衡变难；取暖等高耗电设备常因隐私对运营商不可见，影响峰值管理、需求响应与电价设计。
• 现有不足：作者称集中式 SHAP/LIME 需要原始家庭数据，细粒度解释可能暴露占用与电器作息；对 SHAP 加 Laplace 噪声会损害清晰度与可靠性。联邦学习多给粗统计，缺少电器级信号与重复查询下的累积泄漏控制。
• 作者的观察：作者认为差分隐私下更应保留特征身份、符号、主导性与排序，而不是最小化数值误差。
• 提出的框架：HXAI 在本地安全环境生成无噪声细解释，分区层按可协商的隐私预算聚合加噪摘要，并限制重复查询的累积暴露。电器级消费留在本地，不传给运营商。
• 威胁模型：
  • 目标：honest-but-curious 的查询实体可能从输出推断额外信息；聚合器等对手可能通过累积泄漏推断敏感家庭信息或再识别家庭。
  • 知识与能力：可观察全部差分隐私分区输出，合并跨家庭报告，并重复发起查询。
  • 边界：原始数据与无噪声局部解释不出 Private Data Box；通信假定加密，噪声在离开家庭边界前加入。
  • 不在范围内：硬件安全原语与侧信道攻击。用途被作者限定为规划、监测与诊断，而不是实时电网控制。

作者按三个主题组织相关工作，并用 Table I 作定性对照，而不是在同一基准上复现这些方法。

能源系统中的可解释 AI

• SHAP 与 LIME：Lundberg 与 Lee（2017）、Ribeiro 等（2016）给出特征归因。作者称能源预测、家庭自动化与需求响应已使用这类方法，并用于智能电表或建筑负荷。
• 作者点名的缺口：现有实现通常集中生成解释，因而需要原始家庭数据；解释受细粒度行为模式影响，可能暴露占用与电器作息。作者称据其所知，尚无工作在保证家庭隐私的同时，对高影响居住负荷给出设备级可解释性，且与峰值需求管理脱节。

隐私保护机器学习

• 密码学与 TEE：作者讨论 SMPC、HE 与可信执行环境。作者称其目标是数据机密性而非可解释性；把 HE 或 SMPC 用于 SHAP 需在大量联盟上加密计算高维归因，开销大，且不处理特征身份、排序、方向，也不限制重复查询的累积泄漏或隐私–效用协商。
• 联邦学习：McMahan 等（2017）、Li 等（2020）使原始数据留在本地并协作训练。作者称其缺少向运营商共享电器级解释信号的机制，现有联邦解释仍然粗粒度。HXAI 不学习共享全局模型，也不聚合参数或梯度。

差分隐私与分层架构

• 本地差分隐私：Duchi 等（2013）等在共享前加噪。作者称这会破坏可解释性所需的细结构，不适合基于 SHAP 的设备归因。
• 电网中的 DP：作者称智能电表汇总与分布式负荷预测中的 DP 多给出标量或粗摘要，预算静态，且没有跨层级、可控泄漏的 SHAP 级解释。
• 边缘与 Databox：作者称靠近数据源的处理与分区预测没有局部可解释性机制，没有差分隐私的解释聚合，隐私约束静态，也没有动态预算协商。

基线方法与数据集

• 基线：Section V 比较 Central DP-SHAP、HXAI（same ε）与 HXAI（negotiated ε）；非隐私解释为参照。数据集为 UCI Appliances、UCI Household Power、UCI Bike Sharing (Hourly)。Table I 把 HXAI 标为 Edge-Native、DP + Isolation、Yes (TEE)、Dynamic、Decentralized，这是作者的定性表，不是实测分数。

作者称现有架构没有同时提供无噪声的家庭解释报告，以及电器感知的差分隐私分区摘要，也没有查询级累积泄漏界。

HXAI 把解释当作分析对象：家庭内生成无噪声电器级 SHAP，分区只汇总差分隐私摘要，并用查询级记账限制长期泄漏。它不训练共享全局模型。

系统、信任与数据

• 实体：家庭持有 Private Data Box；查询实体经 Authenticator 绑定 ICA；Data Dealer 只做政策准入，不处理家庭数据；Zonal Aggregator 只对差分隐私摘要求和。可选云端只做非敏感聚合。
• 信任：Authenticator、Data Dealer 与 Private Data Box 被假定正确执行且不释放原始数据或无噪声解释。聚合器对家庭数据不可信。盒内假定有行业标准 TEE。
• 数据：家庭 i 记录 d 类设备、T 个时刻的序列。各户电器可以不同，缺席设备在公共 d 维空间记为 0。局部模型预测短期用电，如下一小时或下一天。

局部解释与差分隐私发布

• 局部解释：在盒内对电器 k、时刻 t 计算 SHAP，再与观测量相乘，得到模型加权贡献；沿时间求和得到家庭摘要 S_i。这些结果无噪声，不出盒。作者强调 SHAP 解释的是预测机制，不是原始用量本身。
• 对外发布：只释放 S̃_i=S_i+η_i，各坐标独立服从尺度为 ΔS/ε_adjust 的 Laplace 分布。ΔS 是摘要的 l1 敏感度，ε_adjust 为协商并经 ICA 批准的预算。
• 假设：SHAP 向量的 l1 范数有界；真实分区解释的范数有正下界 c，以排除所有电器贡献都为零的情形。期望针对 Laplace 机制的随机性。

分区聚合、协商与效用

• 分区向量：S_zonal 为各户加噪摘要之和。作者给出无偏性：其期望等于未加噪分区 SHAP 和。平均绝对偏差上界随户数、维数 d 与 ΔS/ε_adjust 线性增长。
• 协商：每户的目标是解释效用减去 λ_i 倍隐私损失；实践中用有界搜索与反馈。调整后的 ε 落在作者所写的最优值附近、由 ℓ 给出的区间内。协商自愿；达不成协议则默认更严隐私，解释效用下降。
• 效用：余弦相似度 U=S_true^⊤S_zonal/(|S_true|₂|S_zonal|₂) 衡量加噪前后分区解释的方向对齐。作者称选择它是因为看相对重要性且对尺度不变。另有期望效用相对噪声幅度的下界，并称 E[U] 对每个 ε_adjust 单调不减。

查询记账与执行

• 两类查询：General Queries 给出趋势、峰值形状、主导电器类别，隐私代价较低；Specific Queries 做电器级诊断、行为弹性与激励评估，代价较高。方法节未给出两类查询的具体 ε 数值。
• 累积泄漏：L_total 为各次 ε_adjust 之和。达到家庭协商阈值 L_max 后，Private Data Box 拒绝后续查询。作者称上界来自分差隐私的 sequential composition。
• ICA：包含允许的查询、累积隐私上界、输出粒度与有效期，并绑定到唯一的家庭–Private Data Box 对。查询须同时满足查询实体与受影响家庭的约束。
• Algorithm 1：TEE 内做预测、SHAP 与 S_i；逐条检查查询是否在 ICA 内且预算未超，再采样 Laplace 噪声并释放摘要；聚合器只做求和。作者称计算代价随户数与查询数线性增长，论文未报告实测耗时。

实验设置

• 模型与解释：gradient-boosted tree regression，在滞后时间序列上训练；TreeSHAP 计算精确 Shapley 值。非隐私解释作为 oracle。Section VI 的电价曲线未写明所用预测模型。
• 三种机制：Central DP-SHAP 对聚合解释加 Laplace 噪声；HXAI（same/fixed ε）用统一预算；HXAI（negotiated ε）按用户偏好、电力公司需求、归因质量等分配，作者称更重要的特征获得更高隐私分配，并受总约束。
• 数据：UCI Appliances 为 19,735 条小时级居住用电；UCI Household Power 为 approximately 2 million 条分钟级记录；UCI Bike Sharing (Hourly) 为 17,379 条、12 个变量。摘要写模拟与真实能源数据；第三套是自行车租赁计数，作者用来对照同质与异质归因。
• 指标与网格：MAE、Spearman rank correlation、cosine similarity（Utility）。ε 在 [0.1, 20] 上按对数间隔取值。结果写为多种子的 mean 与 std，论文未报告种子个数。
• 系统模拟：50 户，电器为 Heating、Fridge、Fan、Oven、Washing Machine、Dryer、Cooler，100 个时间点。平台为 MacBook Air（M1）、8 核、8 GB RAM、macOS 14.4.1、Python 3.9。作者称该节是受控端到端展示，不是 field-deployed validation。

主结果

据 Table III（表题写 mean ± std over seeds；抽取文本只给出点估计）。未出现的方法×数据集不列入。

Swipe horizontally to read the table

数据集	方法	Utility	Rank	MAE
UCI Appliances	HXAI (same ε)	0.9999	0.9991	0.25
UCI Bike Sharing	HXAI (same ε)	0.9999	0.9854	0.25
UCI Household Power	HXAI (neg. ε)	0.9908	0.4162	0.22
UCI Appliances	Central DP	0.65	0.45	29.45
UCI Household Power	Central DP	0.74	0.17	0.45

• 作者称同质归因（Appliances、Bike）上统一预算更好，异质归因（Household Power）上协商预算更好。Household 上即便是表中的 HXAI 行，Rank 也是 0.4162。
• 作者称三个数据集上 Central DP-SHAP 都不如 HXAI。表中只给出 Appliances 与 Household 的 Central DP；Bike 的 Central DP 未列入。
• 正文称 Fig. 2 各面板含 MAE、Spearman 与 cosine；抽取到的轴名为 Utility (cosine similarity)，图例为 Central_DP_SHAP、HXAI_negotiated_eps、HXAI_same_eps，横轴为 log scale。作者称前两套数据上两种 HXAI 随 ε 增大接近非隐私 oracle，且 uniform 更好；Household 上 negotiated 在 ε≤2 时 cosine 与排序更好。阴影为一倍标准差。曲线端点数值文本中读不出。

定性稳健性

• Fig. 3 图注为中等隐私 ε≈1.05，子图标题含 eps=1.05361。作者称 local-DP 出现符号翻转与排序不稳，zonal HXAI 仍能辨认主导特征。图中 Appliances 列出 Press_mm_hg_lag6、RH_1_lag1 等，Household Power 列出 Global_intensity_lag1、Sub_metering_3_lag1 等。柱高未能从文本可靠读出。
• Fig. 4 正文称 (a) 为 fixed-ε、(b) 为 negotiated-ε，并称 negotiated 轨迹更紧，尤其在 Household Power。图中两幅标题文字均为 uci_appliances，图注则写 (a) UCI Appliances、(b) UCI Household Power。作者称轨迹接近对角线、交叉少。
• Fig. 5 的标题与图注均为 UCI Appliances。作者称 Central DP-SHAP 的 Top-10 排序轨迹不稳定且交叉，HXAI（negotiated ε）接近对角线。图中列出 oracle rank 1–10，纵轴为 Rank (lower is better)。

系统级协商、查询与干预

• 作者称 Fig. 6 中洗衣机的 SHAP 分布最宽，取暖更均衡，烤箱与风扇较小；Fig. 7–8 称加噪后主导电器的相对重要性与总体需求形态仍在。这些图没有可抄的坐标读数。
• Fig. 9：初始 ε=0.16，协商后 ε=6.73。作者称前者因噪声扭曲解释，后者效用趋稳且主导特征、符号与相对排序仍在。不愿放松隐私时，系统默认更严隐私、解释更粗。
• Fig. 11：特定查询效用 83%，一般查询 67%。Fig. 12 举例：泄漏累加到 6.73 后拒绝后续查询。升级情景为账单折扣 20%，50 户中 20 户参与；作者称 Fig. 10 峰值电价降低、曲线更平滑，论文未给出电价数字。

其他消融与分析

• ε∈[0.1, 20]：作者称 Appliances 与 Bike 上 uniform 各指标更好，Household 上 ε≤2 时 negotiated 的 cosine 与排序更好；论文未给逐 ε 数值表。
• Table III 未列 Bike 的 Central DP，也未列 Appliances、Bike 的 negotiated 行。
• Household 的 HXAI(neg. ε) Rank 为 0.4162；同表 Appliances Rank 为 0.9991，Bike Rank 为 0.9854。
• Central DP 的 MAE：Appliances 为 29.45，Household 为 0.45（Table III）。
• 论文未报告随机种子个数，也未报告 Section V 实验的户数。
• 脚注写聚焦 Laplace-based DP-SHAP，并称 Gaussian 机制与 smooth sensitivity 主要影响噪声标定。

作者指出的局限与后续方向

论文未在 Limitations、Discussion、Conclusion 或附录中明确列出局限或后续工作。

实验覆盖范围

• Section V 使用 UCI Appliances（19,735 条小时级）、UCI Household Power（approximately 2 million 条分钟级）和 UCI Bike Sharing (Hourly)（17,379 条、12 个变量）；模型为 gradient-boosted tree regression，解释为 TreeSHAP。
• 隐私机制为 Laplace；ε 网格为 [0.1, 20]。对照为 Central DP-SHAP、HXAI（same ε）、HXAI（negotiated ε）。指标为 MAE、Spearman 与 cosine similarity。结果写多种子 mean±std，论文未报告种子个数。
• Section VI 模拟 50 户、7 类电器、100 个时间点；协商例子为 ε=0.16 与 6.73；查询效用为 83% 与 67%；升级情景为 20% 折扣、20/50 户参与。电价数值未报告。
• Section VI 写系统实验是受控条件下的端到端行为，而非 field-deployed validation；并写真实 DSO 部署中的数据量、监管约束与参与异质性会影响参数标定，但不改变分层设计。脚注写本文聚焦 Laplace，Gaussian 与 smooth sensitivity 主要影响噪声标定。
• 伦理节写只用模拟或公开数据集，不引入新的个人可识别信息采集。威胁模型写明硬件攻击与侧信道不在范围内。

HXAI 是面向分布式能源系统的分层隐私保护解释框架，服务规划、监测与诊断，而不是实时控制。

• 问题：运营商需要电器级、与决策相关的需求解释，但家庭消费与细解释不能直接交出。作者认为只对解释加噪会损害决策所需的结构。
• 做法：每户在 Private Data Box 内用局部模型与 SHAP 生成无噪声、模型加权的电器贡献；对外只释放 Laplace 加噪摘要。分区聚合器对摘要求和。ICA 区分一般查询与特定查询，累积隐私达到阈值后自动拒绝。对手被定为 honest-but-curious。
• 理论：作者称加噪后的分区 SHAP 和在期望上无偏，误差上界随户数、维数与 ΔS/ε 线性增长，并用余弦相似度定义分区效用。
• 数据实验：Table III 中，UCI Appliances 上 HXAI（same ε）的 Utility 为 0.9999、Rank 为 0.9991、MAE 为 0.25；同表 Central DP 的 Utility 为 0.65、MAE 为 29.45。UCI Bike Sharing 上 HXAI（same ε）的 Utility 为 0.9999、Rank 为 0.9854。UCI Household Power 上 HXAI（neg. ε）的 Utility 为 0.9908，但 Rank 为 0.4162；同表 Central DP 的 Rank 为 0.17。
• 系统实验：50 户模拟中，协商例子从 ε=0.16 到 6.73。特定查询效用 83%，一般查询 67%。20/50 户参与 20% 账单折扣的升级情景后，作者称峰值电价下降，论文未给电价数字。
• 作者结论：作者称差分隐私下应优先保住特征身份、符号、主导性与排序；分层聚合加查询级记账，可以在不传出电器级消费的情况下支持分区负荷分析。