論文の概要: Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation
- arxiv url: http://arxiv.org/abs/2412.08460v1
- Date: Wed, 11 Dec 2024 15:25:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-12 14:03:15.214529
- Title: Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation
- Title（参考訳）: 合成データ拡張による交通流予測のためのフェデレーション学習
- Authors: Fermin Orozco, Pedro Porto Buarque de Gusmão, Hongkai Wen, Johan Wahlström, Man Luo,
- Abstract要約: この研究はFedTPSと呼ばれるFLフレームワークを導入し、FLを介して軌道生成モデルをトレーニングすることで、各クライアントのローカルデータセットを増大させる合成データを生成する。
提案手法は,様々なFL手法と交通流予測モデルを用いて,大規模現実のライドシェアリングデータセットを用いて評価する。
- 参考スコア（独自算出の注目度）: 10.751702067716804
- License:
- Abstract: Deep-learning based traffic prediction models require vast amounts of data to learn embedded spatial and temporal dependencies. The inherent privacy and commercial sensitivity of such data has encouraged a shift towards decentralised data-driven methods, such as Federated Learning (FL). Under a traditional Machine Learning paradigm, traffic flow prediction models can capture spatial and temporal relationships within centralised data. In reality, traffic data is likely distributed across separate data silos owned by multiple stakeholders. In this work, a cross-silo FL setting is motivated to facilitate stakeholder collaboration for optimal traffic flow prediction applications. This work introduces an FL framework, referred to as FedTPS, to generate synthetic data to augment each client's local dataset by training a diffusion-based trajectory generation model through FL. The proposed framework is evaluated on a large-scale real world ride-sharing dataset using various FL methods and Traffic Flow Prediction models, including a novel prediction model we introduce, which leverages Temporal and Graph Attention mechanisms to learn the Spatio-Temporal dependencies embedded within regional traffic flow data. Experimental results show that FedTPS outperforms multiple other FL baselines with respect to global model performance.
- Abstract（参考訳）: 深層学習に基づくトラフィック予測モデルは、組み込まれた空間的および時間的依存関係を学習するために膨大な量のデータを必要とする。
このようなデータの固有のプライバシーと商業的感受性は、フェデレートラーニング(FL)のような分散データ駆動方式への移行を促している。
従来の機械学習のパラダイムの下では、トラフィックフロー予測モデルは集中化されたデータ内の空間的および時間的関係をキャプチャすることができる。
実際、トラフィックデータは複数の利害関係者が所有する別々のデータサイロに分散している可能性が高い。
本研究は、最適トラフィックフロー予測アプリケーションに対する利害関係者の協調を促進するために、クロスサイロFL設定を動機付けている。
この研究はFedTPSと呼ばれるFLフレームワークを導入し、FLを介して拡散に基づく軌道生成モデルをトレーニングすることにより、各クライアントのローカルデータセットを増大させる合成データを生成する。
提案するフレームワークは,様々なFL手法とトラフィックフロー予測モデルを用いて,大規模で現実的なライドシェアリングデータセット上で評価され,新たに導入した予測モデルでは,時間とグラフのアテンション機構を活用して,地域交通フローデータに埋め込まれた時空間依存性を学習する。
実験の結果,FedTPSはグローバルモデルの性能に関して,他のFLベースラインよりも優れていた。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - A Foundation Model for Unified Urban Spatio-Temporal Flow Prediction [25.217842149162735]
都市インフラの最適化と交通災害対応管理には,都市時流予測が不可欠である。
従来のアプローチは、グリッドベースのデータまたはグラフベースのデータに合わせた、別々のモデルに依存してきた。
本稿では,グリッドベースのグラフベースデータを統一した一般都市流予測モデルを提案する。
論文 参考訳（メタデータ） (2024-11-20T01:54:52Z) - 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) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳（メタデータ） (2023-07-12T06:31:43Z) - Online Spatio-Temporal Correlation-Based Federated Learning for Traffic
Flow Forecasting [11.253575460227127]
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。
論文 参考訳（メタデータ） (2023-02-17T02:37:36Z) - FedDM: Iterative Distribution Matching for Communication-Efficient
Federated Learning [87.08902493524556]
フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。
我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。
そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
論文 参考訳（メタデータ） (2022-07-20T04:55:18Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:32:39Z) - Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。
我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。
我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
論文 参考訳（メタデータ） (2020-09-27T08:28:25Z)
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。