論文の概要: Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2302.08658v1
• Date: Fri, 17 Feb 2023 02:37:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 16:05:50.167779
• Title: Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting
• Title（参考訳）: トラヒックフロー予測のためのオンライン時空間相関型フェデレート学習
• Authors: Qingxiang Liu, Sheng Sun, Min Liu, Yuwei Wang, and Bo Gao
• Abstract要約: 本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。 次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
• 参考スコア（独自算出の注目度）: 11.253575460227127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic flow forecasting (TFF) is of great importance to the construction of Intelligent Transportation Systems (ITS). To mitigate communication burden and tackle with the problem of privacy leakage aroused by centralized forecasting methods, Federated Learning (FL) has been applied to TFF. However, existing FL-based approaches employ batch learning manner, which makes the pre-trained models inapplicable to subsequent traffic data, thus exhibiting subpar prediction performance. In this paper, we perform the first study of forecasting traffic flow adopting Online Learning (OL) manner in FL framework and then propose a novel prediction method named Online Spatio-Temporal Correlation-based Federated Learning (FedOSTC), aiming to guarantee performance gains regardless of traffic fluctuation. Specifically, clients employ Gated Recurrent Unit (GRU)-based encoders to obtain the internal temporal patterns inside traffic data sequences. Then, the central server evaluates spatial correlation among clients via Graph Attention Network (GAT), catering to the dynamic changes of spatial closeness caused by traffic fluctuation. Furthermore, to improve the generalization of the global model for upcoming traffic data, a period-aware aggregation mechanism is proposed to aggregate the local models which are optimized using Online Gradient Descent (OGD) algorithm at clients. We perform comprehensive experiments on two real-world datasets to validate the efficiency and effectiveness of our proposed method and the numerical results demonstrate the superiority of FedOSTC.
• Abstract（参考訳）: 交通流予測(TFF)は、インテリジェントトランスポーテーションシステム(ITS)の構築において非常に重要である。 統合学習(FL)は,通信負荷を軽減し,集中予測手法によって引き起こされるプライバシー漏洩問題に対処するために,TFFに適用されている。 しかし、既存のFLベースのアプローチではバッチ学習方式を採用しているため、事前学習されたモデルはその後のトラフィックデータには適用できない。 本稿では、FLフレームワークにおけるオンライン学習(OL)方式を用いたトラフィックフロー予測の最初の研究を行い、その上で、トラフィック変動に関係なく性能向上を保証することを目的とした、オンライン時空間相関に基づくフェデレートラーニング(FedOSTC)という新しい予測手法を提案する。 具体的には、Gated Recurrent Unit(GRU)ベースのエンコーダを使用して、トラフィックデータシーケンスの内部時間パターンを取得する。 そして、中央サーバは、トラフィック変動による空間的近接性の動的変化に対応して、グラフ注意ネットワーク(gat)を介してクライアント間の空間的相関を評価する。 さらに,今後のトラヒックデータに対するグローバルモデルの一般化を図るために,オンライン勾配降下(ogd)アルゴリズムを用いて最適化した局所モデルをクライアントに集約する周期認識集約機構を提案する。 本研究では,本手法の有効性と有効性を検証するため,実世界の2つのデータセットについて総合実験を行い,fedotcの優位性を示す数値実験を行った。

関連論文リスト

• REFOL: Resource-Efficient Federated Online Learning for Traffic Flow Forecasting [22.118392944492964]
  交通流予測(TFF)において,多元連系学習(FL)手法を提案する。 オンライン学習は、モデルトレーニング中にコンセプトドリフトを検出することができるため、よりTFFに適用できる。 本稿では,通信軽量で計算効率のよいTFFのためのResource-Efficient Federated Online Learning (REFOL) という新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T11:50:17Z)
• Boosting the Performance of Decentralized Federated Learning via Catalyst Acceleration [66.43954501171292]
  本稿では,Catalytics Accelerationを導入し,DFedCataと呼ばれる促進型分散フェデレート学習アルゴリズムを提案する。 DFedCataは、パラメータの不整合に対処するMoreauエンベロープ関数と、アグリゲーションフェーズを加速するNesterovの外挿ステップの2つの主要コンポーネントで構成されている。 実験により, CIFAR10/100における収束速度と一般化性能の両面において, 提案アルゴリズムの利点を実証した。
  論文  参考訳（メタデータ） (2024-10-09T06:17:16Z)
• Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
  フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。 現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。 個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
  論文  参考訳（メタデータ） (2024-07-17T00:42:47Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network [0.0]
  我々はFLAGCN(Federated Learning and Asynchronous Graph Convolutional Networks)と呼ばれる新しいディープラーニング手法を提案する。 本フレームワークでは,リアルタイムトラフィックフロー予測の精度と効率を高めるために,非同期グラフ畳み込みネットワークとフェデレーション学習の原理を取り入れている。
  論文  参考訳（メタデータ） (2024-01-05T09:36:42Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
  通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。 本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。 提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-02-19T17:42:35Z)
• NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
  少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。 まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T10:06:20Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。