FedAvg-basiertes CTMC-Modell zur föderierten Brückenbewertung

Eine neue Methode ermöglicht es Städten, die Verschlechterung ihrer Brücken gemeinsam zu bewerten, ohne dass sensible Inspektionsdaten ausgetauscht werden müssen. Durch den Einsatz von Federated Learning kann ein kontinuierliches Zeit-Markov-Ketten-Modell (CTMC) für Brückenverschlechterung erstellt werden, das auf lokalen Daten aller beteiligten Gemeinden basiert.

Jeder Nutzer trainiert ein log-lineares Hazard-Modell, das die Übergänge Good → Minor, Good → Severe und Minor → Severe beschreibt. Dabei fließen wichtige Einflussfaktoren wie Brückenalter, Entfernung zur Küste und Deckfläche ein. Die lokale Optimierung erfolgt mit Mini‑Batch‑Stochastic‑Gradient‑Descent auf der CTMC‑Log‑Likelihood, wobei pro Kommunikationsrunde lediglich ein 12‑dimensionaler Pseudo‑Gradient an einen zentralen Server gesendet wird.

Der Server aggregiert die Updates mithilfe von Federated Averaging (FedAvg) unter Einsatz von Momentum und Gradient Clipping. Auf synthetisch generierten Daten, die regionale Heterogenität simulieren, zeigen die Experimente eine stabile Konvergenz des durchschnittlichen negativen Log‑Likelihoods. Gleichzeitig sinkt der aggregierte Gradient‑Norm mit zunehmender Nutzerzahl, was die Effizienz des föderierten Ansatzes unterstreicht.

Ein zusätzlicher Vorteil des Modells ist die natürliche Anreizstruktur: Nutzer, die ihre lokalen Inspektionsdaten registrieren, profitieren von einem verbesserten Benchmark-Modell, das die kollektive Expertise aller Gemeinden widerspiegelt. Diese Technik eröffnet neue Möglichkeiten für sichere, datenschutzfreundliche Brückeninspektionen und fördert gleichzeitig die Zusammenarbeit zwischen Kommunen.