Digital Twin and Federated Learning: Enhancing and Securing Critical Infrastructure

Autori

  • Niccolò DeCarlo
  • Ciro Romano
  • Gianluca Granero
  • Fabrizio D'amico Università Roma Tre
  • Enrico Cappelli Bridge Engineering s.r.l.
  • Gianluca Fabbri Link Campus University

Parole chiave:

digital twin, infrastructures, machine learning, smart damage detection

Abstract

The article explores the integration of the Digital Twin concept with Federated Learning techniques for monitoring critical infrastructure. This approach allows for local data processing and knowledge transfer between different infrastructures,
minimizing the amount of data sent to the cloud. Benefits include enhanced data security, operational efficiency, and more proactive maintenance. Through practical examples, it demonstrates how these technologies can revolutionize the management of critical infrastructure.

Biografie autore

Enrico Cappelli, Bridge Engineering s.r.l.



Gianluca Fabbri, Link Campus University



Riferimenti bibliografici

McMahan H. B., Moore E., Ramage D., Hampson S. and y Areas B. A., “Communication-Efficient Learning of Deep Networks from Decentralized Data,” Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, AISTATS 2017, February 2016.

“Federated Learning: Collaborative Machine Learning without Centralized Training Data - Google AI Blog,” [Online]. Available: https://ai.googleblog.com/2017/04/federated-learning-collaborative.html.

Kone?nt'y J. K., Mcmahan H. B. and Ramage D., “Federated Optimization:Distributed Optimization Beyond the Datacenter,” November 2015.

Siniosoglou I., Argyriou V., Bibi S., Lagkas T. and Sarigiannidis P., “Unsupervised Ethical Equity Evaluation of Adversarial Federated Networks,” ACM International Conference Proceeding Series, August 2021.

Kone?ný J., McMahan H. B., Yu F. X., Richtárik P., Suresh A. T. and Bacon D., “Federated Learning: Strategies for Improving Communication Efficiency,” October 2016.

##submission.downloads##

Pubblicato

2024-10-17

Come citare

DeCarlo, N., Romano, C., Granero, G., D’amico, F., Cappelli, E., & Fabbri, G. (2024). Digital Twin and Federated Learning: Enhancing and Securing Critical Infrastructure. GEOmedia, 28(3). Recuperato da https://ojs.mediageo.it/index.php/GEOmedia/article/view/2015

Fascicolo

V. 28 N. 3 (2024): GEOmedia 3-2024

Sezione

FOCUS

Licenza

Creative Commons License

Questo lavoro è fornito con la licenza Creative Commons Attribuzione - Non commerciale - Condividi allo stesso modo 4.0 Internazionale.

Gli autori che pubblicano su questa rivista accettano le seguenti condizioni:

  1. Gli autori mantengono i diritti sulla loro opera e cedono alla rivista il diritto di prima pubblicazione dell'opera, contemporaneamente licenziata sotto una Licenza Creative Commons - Attribuzione che permette ad altri di condividere l'opera indicando la paternità  intellettuale e la prima pubblicazione su questa rivista.
     
  2. Gli autori possono aderire ad altri accordi di licenza non esclusiva per la distribuzione della versione dell'opera pubblicata (es. depositarla in un archivio istituzionale o pubblicarla in una monografia), a patto di indicare che la prima pubblicazione è avvenuta su questa rivista.
     
  3. Gli autori possono diffondere la loro opera online (es. in repository istituzionali o nel loro sito web) prima e durante il processo di submission, poiché può portare a scambi produttivi e aumentare le citazioni dell'opera pubblicata (Vedi The Effect of Open Access).