Bu Gizlilik Güvenli Yapay Zeka Pil Atıklarını Büyük Kara Dönüştürebilir

```html Yazarlar: Shengyu Tao Haizhou Liu Chongbo Sun Haocheng Ji Guanjun Ji Zhiyuan Han Runhua Gao Jun Ma Ruifei Ma Yuou Chen Shiyi Fu Yu Wang Yaojie Sun Yu Rong Xuan Zhang Guangmin Zhou Hongbin Sun Özet Katot farklı malzemelerden oluşan ayrılmamış eski piller, katot bazlı doğaları nedeniyle doğrudan geri dönüşümün benimsenmesini engellemektedir. Emekliye ayrılmış pil sayısındaki artış, etkili doğrudan geri dönüşüm için hassas ayırma gerektirmektedir, ancak değişken operasyonel geçmişler, çeşitli üreticiler ve geri dönüşüm işbirlikçilerinin (veri sahipleri) veri gizliliği endişeleri zorluklar yaratmaktadır. Burada, 5 katot malzemesi ve 7 üreticiyi kapsayan 130 lityum-iyon pil içeren benzersiz bir veri kümesinden, bir federe makine öğrenimi yaklaşımının, geçmiş operasyonel verilere dayanmadan bu emekliye ayrılmış pilleri sınıflandırabildiğini, böylece geri dönüşüm işbirlikçilerinin veri gizliliğini koruduğunu gösteriyoruz. Emeklilik sonu şarj-deşarj döngüsünden çıkarılan özelliklerden yararlanarak, modelimiz homojen ve heterojen pil geri dönüşüm ayarlarında sırasıyla %1 ve %3 katot ayırma hataları sergilemektedir, bu da yenilikçi Wasserstein mesafesi oylama stratejimize atfedilebilir. Ekonomik olarak, önerilen yöntem, gelişen ve sürdürülebilir bir geri dönüşüm endüstrisi için hassas pil ayırmanın değerini vurgulamaktadır. Bu çalışma, dağıtılmış sistemler için işbirlikçi ve gizliliği gözeten karar alma süreçlerini kolaylaştıran, gizliliğe duyarlı verileri çeşitli kaynaklardan kullanmanın yeni bir paradigmasını müjdeliyor. Giriş Enerji depolama cihazları olarak hizmet veren lityum-iyon piller (LIB'ler), kabul görmüş bir teknik rota olarak endüstriyel üretimden günlük yaşama kadar çeşitli alanlarda yaygın bir kullanıma sahiptir. Küresel LIB üretim ölçeğinin 2030 yılına kadar 1,3 TWh'yi aşacağı tahmin edilmektedir , bu da artan pil talebinin lityum ve kobalt gibi hayati metal kaynaklarının mevcudiyetini fazlasıyla aşacağı anlamına gelmektedir , . Ancak, mevcut LIB ürünlerinin ortalama kullanım ömrü 5-8 yıl olup, birçok ülkede emekliye ayrılmış pillerin ani artışına yol açmaktadır. Uygun şekilde yönetilmezse, emekliye ayrılmış piller sürdürülemez kaynak israfına ve çevreye zarar vermesine neden olacaktır. Bu koşullar göz önüne alındığında, yaklaşan LIB emeklilik dalgasıyla karşı karşıya kaldığımızda pil geri dönüşüm teknolojisinin geliştirilmesi büyük önem taşımaktadır . 1 2 3 4 Pil geri dönüşümü araştırmalarındaki son gelişmeler pirometalurjik, hidrometalurjik ve doğrudan geri dönüşüm yaklaşımlarına odaklanmıştır . Pirometalurjik ve hidrometalurjik yöntemlerin aksine, doğrudan geri dönüşüm farklı bir yaklaşımdır. Bu işlem, malzeme yapısına ikincil zarar vermez, daha verimli yapısal onarım ve performans restorasyonu sağlar. Dahası, doğrudan geri dönüşüm daha düşük enerji tüketimi, azaltılmış sera gazı emisyonları ve daha hafif çevresel ayak izleri içerdiğinden daha karlı bir şekilde sergilenmektedir , . Gerçek üretimde, pil geri dönüştürücüleri sıklıkla bilinmeyen bileşenler içeren LIB'lerle veya farklı katot malzeme türlerinin karışımından oluşan pil modülleriyle karşılaşırlar. Doğrudan geri dönüşümün büyük ölçüde katota özgü olabileceği göz önüne alındığında, bu karmaşıklık, emekliye ayrılmış pillerin değer dönüşümünü elde etmek için doğrudan geri dönüşümün uygulanmasını imkansız hale getirir . Karışık katot malzeme türlerindeki hayati metaller geleneksel geri dönüşüm stratejileri kullanılarak elde edilebilse bile, geri dönüşüm süreci sırasında farklı katot malzemeleri arasındaki etkileşimin ürün kalitesini olumsuz etkileyebileceğini vurgulamak önemlidir . Bu nedenle, geri dönüşüm tarafında katot malzeme türü bilgisini anlamak, doğrudan geri dönüşüm rotası seçimini önemli ölçüde etkiler ve nihayetinde ürün kalitesini, karlılığını ve sürdürülebilirliğini iyileştirir. 5 6 7 8 9 İnsan destekli doğrudan geri dönüşüm, ön işlem bağlantısında emekliye ayrılmış pil katot malzeme türü bilgisini tanımlamak için önerilmiştir, ancak geri dönüşüm endüstrisi ölçek büyütürken hala finansal olarak uygulanabilir değildir . Emekliye ayrılmış pil katot türü bilgisini etkili bir şekilde almak için, bilimsel ve endüstriyel topluluk yakın zamanda bir pil ömrü izleme sistemi ve pil pasaportu ve pil veri genomu gibi gelişen kavramları başlatmıştır. Bu girişimlerden önce önemli miktarda pil kullanılmış olsa da, ikinci yaşam karar alma süreçlerini kolaylaştırmak için pil bilgilerinin yaşam zinciri boyunca erişilebilir olması gerektiği konusunda artan bir fikir birliği vardır . Bu, pilin ikinci yaşamının son istasyonu olan pil geri dönüşümü sektörü için özellikle geçerlidir, çünkü geri dönüşüm rotası büyük ölçüde katota özgü olabilir. Ancak, pil ömrü izleme sistemleri veya pil pasaportları, barkodlar ve yakın alan iletişimi gibi elektronik cihazlar tarafından etkinleştirilir, bu da yoğun yatırım gerektirebilir ve farklı pil tasarımcılarıyla uyumsuz olabilir. Dahası, elektronik cihazların kullanım ömürleri boyunca tutarlı bir şekilde yönetilmesi zor olmaya devam etmektedir, bu da aşınmış cihazlara ve geri dönüşüm aşamasında erişilemezliğe yol açmaktadır, çünkü LIB'lerin modern üretim süreci hala üretimden geri dönüşüme entegre değildir . Bu nedenle, yalnızca kolay erişilebilir saha bilgileri kullanılarak verimli bir pil katot türü ayırma sağlamak için daha fazla atılıma acilen ihtiyaç vardır , , geçmişte kaydedilen verilere veya insan destekli yönteme karşı, geri dönüştürülmüş ürünlerin kalitesini ve karlılığını artırmak için doğrudan geri dönüşümün benimsenmesini kolaylaştıran. 1 10 11 12 13 14 15 16 Son birkaç yılda, makine öğrenmesi, tüm pil alanlarındaki açık soruları ele almak için geçerli bir araç olarak ortaya çıkmıştır. Diğer pil ile ilgili konularda, makine öğrenmesi yakın zamanda karmaşık pil mekanizmalarını otomatik olarak keşfetmemizi sağlamıştır , , , kalan kullanışlı ömrü tahmin etmemizi sağlamıştır , , , , , sağlık durumunu değerlendirmemizi sağlamıştır , , , döngü profilini optimize etmemizi sağlamıştır , , arıza dağılımını tahmin etmemizi sağlamıştır , hatta pil tasarımını yönlendirmemizi sağlamıştır , , ve üretimden hemen sonra ömür boyu performansı tahmin etmemizi sağlamıştır . Pil geri dönüşümü durumunda, az sayıda çalışma makine öğrenmesini katot malzemeleriyle ilgili olarak araştırmıştır , , bu da özellikle ömrünün sonuna kadar döngülenmiş piller için az veri olmasından kaynaklanmaktadır. Yayınlanan çalışmaların büyük çoğunluğu çok sınırlı örnek boyutları sergilemektedir ve pil katot çeşitliliği açısından daha da sınırlıdır . Kıtlık, yoğun maliyet, uzun test süresi ve en önemlisi ticari veya çıkar endişeleri nedeniyle veri gizliliğine atfedilmektedir. Sonuç olarak, gizlilik sorunu, pil üreticileri, pratik uygulamalar, akademik kurumlar ve üçüncü taraf platformlar gibi birden fazla taraftan elde edilen önemli hacim ve çeşitlilikteki mevcut pil verilerinin paylaşılamadığı ikilemi katılaştırmaktadır. Böyle bir ikilem, katot malzemesi sıralamasını incelemeyi, işbirlikçi ancak gizliliği koruyan bir şekilde pil geri dönüşümü rotası seçimini optimize etmek için gerektirmektedir. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Dağıtılmış ve gizliliği koruyan bir paradigma olarak federe makine öğrenmesi, işbirlikçi makine öğrenmesi aracılığıyla çok taraflı işbirliği (eşit derecede, pil verilerinin hacmi ve çeşitliliği) ve gizlilik sorunlarının her ikisini de çözme potansiyeline sahiptir , , . Her eğitim yinelemesinde, dağıtılmış veri sahipleri yerel bilgi işlem güçleriyle yerel eğitim gerçekleştirir, eğitilmiş model parametrelerini/sonuçlarını şifreler ve toplama için merkezi bir koordinatöre yükler. Ham veri kümelerinin hiçbir zaman kendi veri sahiplerinden ayrılmaması ve aktarılan parametrelerin/sonuçların veri gizliliğini korumak için uygun şekilde şifrelenmesi olguları. Federe makine öğrenmesi, halk sağlığı , , klinik teşhis , , , e-ticaret , Nesnelerin İnterneti , mobil bilişim ve akıllı şebeke , , dahil olmak üzere çok sayıda uygulamalı alanda kapsamlı bir şekilde araştırılmıştır. Bu yaklaşım, özellikle veri erişimi sınırlı olan alanlarda gizliliği koruyan işbirliğini sağlayarak veri odaklı araştırma paradigmasını geniş enerji sektörlerinde devrim yaratabilir. Pil geri dönüşümü sektörü ile ilgili olarak, federe makine öğrenmesi, mevcut olan ancak gizlilik endişeleri nedeniyle paylaşılamayan devasa pil verilerinden yararlanmak için umut verici olanaklar sunmaktadır. Bu tür işbirlikçi ancak gizliliği koruyan bir paradigma ile emekliye ayrılmış pil ayırma, yüksek doğruluk, verimlilik, ölçeklenebilirlik ve genelleme ile gerçekleştirilebilir, bu da geri dönüştürülmüş ürünlerin kalitesini ve karlılığını optimize eder. Bildiğimiz kadarıyla, pil geri dönüşümüne odaklanan federe makine öğrenmesi çalışmaları hiç bildirilmemiştir. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Bu çalışmada, şekilde gösterildiği gibi işbirlikçi ancak gizliliği koruyan bir makine öğrenmesi modunda, pil üreticileri, pratik uygulama operatörleri, akademik araştırma kurumları ve üçüncü taraf platformlar gibi birden fazla işbirlikçiden elde edilen mevcut pil verilerinden yararlanarak emekliye ayrılmış pillerin bir katot malzemesi sıralamasını gerçekleştiriyoruz (Şekil 1). Federe makine öğrenmesi modelimiz, standart bir özellik çıkarma süreci aracılığıyla yalnızca bir döngü saha testi verisi kullanılarak, geçmiş operasyon koşulları hakkında herhangi bir ön bilgi olmadan eğitilmiştir. Federe makine öğrenmesi modelimizin öngörü gücünü, hem homojen hem de heterojen pil geri dönüşüm koşulları altında yerel verilere dayanan bağımsız olarak öğrenilen yerel modellerle karşılaştırıyoruz. Heterojenlik sorunu, önerdiğimiz Wasserstein mesafesi oylama stratejisi ile çözülmektedir. Emekliye ayrılmış pil geri dönüşümünün ekonomik bir değerlendirmesi, önerdiğimiz federe makine öğrenmesi çerçevesini kullanarak gerçekleştirilmekte ve emekliye ayrılmış pillerin doğru ayırmanın ilgili ve gerekliliğini vurgulamaktadır. Model yorumlanabilirliğini, pil geri dönüşümü etkilerini ve federe makine öğrenmesi ile entegre edilmiş gelecekteki pil geri dönüşümü uygulamasının daha geniş beklentilerini kapsamlı bir şekilde tartışıyoruz. Birden fazla veri kaynağı, örneğin pil üreticileri (Görsel telif hakkı Addionics), pratik uygulama operatörleri (Tesla'nın taban paneline yerleştirilmiş pil paketi. Görsel telif hakkı Tesla), akademik araştırma kurumları ve üçüncü taraf platformlar veri katkıda bulunanları olabilir. Pil verileri, katkıda bulunanlar arasında değiş tokuş edilmez veya pil geri dönüştürücüsüne yüklenmez. Bunun yerine, veri katkıda bulunanlar yerel modelleri eğitir ve küresel bir model oluşturmak için model parametrelerini pil geri dönüştürücüsüyle paylaşır. Önerilen Wasserstein mesafesi oylama tekniği, yerel modelleri veri dengesizliğine ve gürültüye karşı dayanıklı olan küresel modele entegre eder. Pil geri dönüştürücüleri, kolayca erişilebilen saha testi verileriyle birlikte, ortaklaşa oluşturulan modeli pil ayırma için kullanabilir. Federe makine öğrenmesi çerçevemiz, geleneksel veri adacığı paradigmasının aksine, işbirlikçileri veri paylaşmaya teşvik ederken veri gizliliğini korur. a b Sonuçlar Veri toplama ve standardizasyon Farklı pil türlerindeki benzersiz pil kinetikleri, farklı çalışma durumları, üretim değişkenliği ve geçmiş kullanımlar nedeniyle yüksek boyutlu ve karakterize edilmesi zor olabilir . Bu ikileme bir çözüm bulmak için, dağılım dışı, eşit derecede heterojen bir veri kümesi oluşturmak üzere 7 üreticiden 5 katot malzeme türüne sahip 130 emekliye ayrılmış pil topladık ve standartlaştırdık. Farklı geçmiş kullanımlar göz önüne alındığında, toplanan pillerin kapasiteleri nominal kapasitenin %90'ının altındadır. Pil katot malzemeleri, üreticilere göre 9 sınıfa ayrılan lityum kobalt oksit (LCO), nikel manganez kobalt (NMC), lityum demir fosfat (LFP), nikel-kobalt-alüminyum oksit (NCA) ve NMC-LCO karışık tipleridir (Ek Tablo 1). Genel bir model eğitmek için laboratuvar testlerinden elektrikli araç sürüş profillerine kadar farklı geçmiş kullanımlara sahip pilleri kasıtlı olarak dahil ettik, böylece pil geri dönüştürücüsü geçmiş kullanımlardan ve pil türlerinden bağımsız olarak genel bir model eğitebilir. 52 Standardizasyon için, geri dönüştürücüden gerekli tüm veriler mevcut (saha testi) döngü ve standart bir özellik mühendisliği süreci için bir şarj ve deşarj testidir; bu, pratik durumlarda uygulanması kolaydır. Mevcut veriler öncelikle eksik değerleri doldurarak, aykırı değerleri değiştirerek ve medyan filtreleme yaparak temizlenir. Ancak insan kaynaklı ve katot heterojenliğinden kaynaklanan gürültüler, modeli kusurlu girdilere karşı dayanıklı hale getirmek için kasıtlı olarak korunur. Veriler daha sonra eğri doldurma (Ek Şekil 1) için doğrusal olarak enterpole edilir ve boyut azaltma için özellik mühendisliği yapılır; paylaşılan bir standardizasyon parametreleri seti (Ek Not 1) kullanılır. Standardizasyon işlem hattından çıkarılan özellikler, önemli ticari çıkarların olduğu bir endişe olan iyi yorumlanabilir niteliktedir. Bildiğimiz kadarıyla, birden fazla kaynaktan ve geçmiş kullanımdan gelen heterojen pil verileri, pil geri dönüşüm stratejisinin tasarımına yardımcı olmak için ilk kez kullanılmıştır. Şekil 2a, 2b özellik mühendisliği sürecini göstermektedir. Son döngüdeki emekliye ayrılmış pillerin şarj ve deşarj eğrisine odaklanıyoruz, yani bir şarj ve bir deşarj döngüsü (Ek Şekiller 2-5). Şarj döngüsünde, voltaj-kapasite ve dQ/dV eğrilerinden 15 özellik çıkarılır; burada V voltaj ve Q kapasite değerlerini ifade eder. Deşarj döngüsü için aynı özellik seti çıkarılır. Sonuç olarak, F1'den F30'a kadar toplam 30 özellik çıkarılır. Özelliklerin ayrıntılı bir açıklaması için Ek Tablo 2 ve Ek Not 2'ye bakınız. Şekil 2c, her sınıftan seçilen pillerin mutlak ve göreceli özellik değerlerini göstermektedir. Farklı sınıflardaki göreceli özellik değerlerinin çoğu −1 ile 0 bölgesi arasında (açık yeşil renkle) örtüşmektedir ve ayırt edilemezdir, bu da tek bir pil verisi döngüsü kullanarak pil türünü sınıflandırmanın zorluğunu göstermektedir. Zorluk beklenir çünkü farklı geçmiş çalışma koşulları, pillerin şarj-deşarj kinetiğini etkileyebilir, böylece çıkarılan özellikler farklı pil türlerine rağmen büyük ölçüde ilişkili olabilir (Ek Şekil 6). Ekstra edilen özelliklerin uzman bilgisi kullanılarak doğrudan yorumlanması yerine, çeşitli pil türleri arasındaki gizli örüntüleri otomatik olarak kullanan alternatif bir veri odaklı yaklaşım benimsiyoruz. Şarj işlemi için, voltaj-kapasite (sol) ve dQ/dV eğrisinden (sağ) 15 özellik çıkarılır. Deşarj işlemi için aynı özellik seti F16 ila F30'dur. Özellikler sınıflara göre görselleştirilir, CxBn formatı takip edilir; bu da x sınıfından n. pili belirtir. Bir dairenin boyutu mutlak özellik değerini gösterir. Kaynak verileri bir Kaynak Veri dosyası olarak sağlanır. a b c Homojen veri erişimi ile emekliye ayrılmış pil ayırma Öncelikle pil verilerinin işbirlikçiler (yani, istemciler) arasında homojen olarak dağıtıldığı bir ayarı ele alıyoruz. Homojenlik, her istemcinin 9 sınıfın tamamı için pil verilerini paylaşmaya sunduğu anlamına gelir, ancak pil sayısı kısıtlanmamıştır (Ek Tablo 3). Emekliye ayrılmış pillerin geçmiş kullanımları hakkında bilgiye gerek kalmadan federe makine öğrenmesi modelimizi eğitiyoruz. Çalışmamızda, geri dönüştürücü ve istemcilerin yalnızca mevcut (saha testi) döngüsünde emekliye ayrılmış pilleri test etmeleri gerekmektedir; özellikle, geri dönüştürücü tarafından başlatılan standart bir özellik mühendisliği süreci için tam bir şarj-deşarj döngüsü ile. Yerel modeller, özel pil verilerinden çıkarılan özelliklere dayanarak eğitilir. Federe makine öğrenmesi çerçevesi, emekliye ayrılmış pilleri sınıflandırmak için geri dönüştürücünün kullanması için özel pil verileri yerine yerel model parametrelerini toplar. Şekil 3, istemcilerin homojen pil verileri katkıda bulunduğu durumlarda ayırma sonuçlarını göstermektedir. Şekil 3a, iki federe makine öğrenmesi yöntemini, yani çoğunluk oylaması (MV) ve önerilen Wasserstein mesafesi oylamasını (WDV), bağımsız öğrenme (IL) paradigmasıyla karşılaştırır. IL'nin doğruluğunun federe olmayan bir şekilde tüm istemciler üzerinden ortalandığı unutulmamalıdır. IL'ye kıyasla, MV, ortalama %95 doğrulukla ayırma performansından ödün vermezken, veri gizliliğini koruma ve hesaplama yükünü azaltma yeteneğine sahiptir. Ancak, MV kullanılarak 3 sınıf yanlış sıralanmıştır. Örneğin, NMC'deki (SNL, sınıf 8, toplam 15) 3 pil, NCA'ya (SNL, sınıf 7) yanlış sıralanmıştır, bu da %80'lik bir ayırma doğruluğu ile sonuçlanmıştır. NCA (UL-PUR, sınıf 9) için ayırma doğruluğu %81'dir; 2 pil NMC'ye (MICH_Form, sınıf 4) ve 1 pil NMC/LCO karışık tipe (HNEI, sınıf 2) yanlış sıralanmıştır. Buna karşılık WDV, MV'den daha iyi performans gösterir çünkü yalnızca bir pili yanlış sıralamıştır ve bu da %99'luk bir ayırma doğruluğu ile sonuçlanmıştır. Ayrıca MV ve WDV için her sınıfın öngörü olasılığını değerlendiriyoruz. WDV'nin, WDV'nin öngörü olasılıklarının genellikle daha yüksek bir olasılık değerine doğru sağa çarpık olması nedeniyle daha güvenilir bir sıralama yaptığı ortaya çıkmıştır. Bu nedenle, önerilen WDV, tüm sınıflarda daha yüksek sıralama doğruluğu üretir ve sıralama daha zengin olasılık güven marjlarına sahiptir. Çoğunluk oylaması (MV) ve Wasserstein mesafesi oylaması (WDV) yöntemleri için karışıklık matrisi. Her sınıf için öngörü olasılığı dağılımını dikkate alıyoruz. Bağımsız öğrenmenin (IL) sıralaması açıklanmıştır. Rastgele gürültü varlığında IL, MV ve WDV'nin sıralama doğruluğu dağılımı ve gizlilik bütçesi (PB). PB değeri %90 doğruluk seviyesinde referans alınmıştır. Her sınıfta IL, MV ve WDV kullanarak sıralama sonuçlarının ve PB'lerin ortalama F1-skoru. PB değerleri 0.9 F1-skoru seviyesinde referans alınmıştır. Veriler ortalama değerler ±1 standart sapma olarak sunulmuştur. Özellik önemi, azalan sırada. Alt çizim, ilk iki en belirgin özellik tarafından kapsanan özellik alanını göstermektedir. Veriler ortalama değerler + 1 standart sapma olarak sunulmuştur. Kaynak verileri bir Kaynak Veri dosyası olarak sağlanır. a b c d İstemci verilerinin özel verileri dinleyerek tersine mühendisliğe karşı savunmasız olabileceği göz önüne alındığında, gizlilik bütçesini (PB, “Yöntemler” bölümü) de değerlendiriyoruz. Bu doğrultuda, istemci verilerine farklı yoğunluklarda rastgele Gauss gürültüsü ekliyoruz. Rastgelelik yoğunluğu, %1 ila %10 arasında değişen bir gürültü-sinyal oranı (NSR) ile kontrol edilir. Şekil 3b, sırasıyla IL, MV ve WDV kullanıldığında doğruluk ve gizlilik bütçesi karşılaştırmasını göstermektedir. MV'nin sıralama doğruluğu, gürültü yoğunluğu %1'den %10'a yükseldiğinde, IL'ninkine benzer şekilde %95'ten %82'ye düşmektedir. Bu gürültü aralığında, MV ve IL'nin medyan sıralama doğruluğu sırasıyla %92 ve %86'dır. Buna karşılık, WDV'nin sıralama doğruluğu, pratik durumlarda katı bir gürültü seviyesi olan %10 gürültü varlığında bile %90'ın üzerinde kalmaktadır. WDV, aynı gürültü aralığında 95%'in üzerinde medyan sıralama doğruluğuna sahiptir. Kabul edilebilir bir referans seviyesi olarak ortalama %90 sıralama doğruluğunu alarak, IL, MV ve WDV'nin PB değerleri sırasıyla 4, 6 ve 10'dur. Bu nedenle, federe makine öğrenmesinin uygulanması, IL'den daha gizlilik açısından güvenli bir sıralama üretir, dolayısıyla veri dinlemeyi önleyebilir. Ayrıca, önerilen WDV'miz, gizlilik-doğruluk takasında MV'den daha doğru ve çok daha iyi performans gösterir (neredeyse iki kat PB değerleriyle). Ek olarak, WDV kullanıldığında katı gürültüye karşı dayanıklılık, pil ölçüm gereksinimine iyi tolerans anlamına gelir ve pahalı pil test harcamalarını azaltır. Yüksek sıralama doğruluğunun belirli bir sınıf için kabul edilebilir bir sıralama anlamına gelmediğini fark ederek, sınıf içi sıralama performanslarını da dikkate alıyoruz. Şekil 3c, tahmin edilen her sınıfta IL, MV ve WDV'nin F1-skoru ve gizlilik bütçesini göstermektedir; burada gizlilik ayarının Şekil 3b'dekiyle aynı olduğu unutulmamalıdır. Sonuç, IL'nin tüm sınıflarda fed