論文の概要: Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting

• arxiv url: http://arxiv.org/abs/2503.04528v1
• Date: Thu, 06 Mar 2025 15:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:58:45.740909
• Title: Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting
• Title（参考訳）: 時空間データ予測のためのフェデレーション動的モデリングと学習
• Authors: Thien Pham, Angelo Furno, Faïcel Chamroukhi, Latifa Oukhellou,
• Abstract要約: 本稿では、複雑な時間的データを予測するための高度なフェデレートラーニング(FL)フレームワークを提案し、最近の最先端モデルを改善した。 結果として生じるアーキテクチャは、様々な予測アプリケーションで複雑な時間パターンを扱う能力を大幅に改善します。 提案手法の有効性は,都市部におけるマルチモーダル交通需要予測のためのパブリックデータセットや,Origin-Destination (OD) 行列予測のためのプライベートデータセットなど,実世界の応用に関する広範な実験を通じて実証される。
• 参考スコア（独自算出の注目度）: 0.8568432695376288
• License:
• Abstract: This paper presents an advanced Federated Learning (FL) framework for forecasting complex spatiotemporal data, improving upon recent state-of-the-art models. In the proposed approach, the original Gated Recurrent Unit (GRU) module within previous Dynamic Spatial--Temporal Graph Convolutional Recurrent Network (DSTGCRN) modeling is first replaced with a Long Short-Term Memory (LSTM) network, enabling the resulting model to more effectively capture long-term dependencies inherent to time series data. The resulting architecture significantly improves the model's capacity to handle complex temporal patterns in diverse forecasting applications. Furthermore, the proposed FL framework integrates a novel Client-Side Validation (CSV) mechanism, introducing a critical validation step at the client level before incorporating aggregated parameters from the central server into local models. This ensures that only the most effective updates are adopted, improving both the robustness and accuracy of the forecasting model across clients. The efficiency of our approach is demonstrated through extensive experiments on real-world applications, including public datasets for multimodal transport demand forecasting and private datasets for Origin-Destination (OD) matrix forecasting in urban areas. The results demonstrate substantial improvements over conventional methods, highlighting the framework's ability to capture complex spatiotemporal dependencies while preserving data privacy. This work not only provides a scalable and privacy-preserving solution for real-time, region-specific forecasting and management but also underscores the potential of leveraging distributed data sources in a FL context. We provide our algorithms as open-source on GitHub.
• Abstract（参考訳）: 本稿では、複雑な時空間データを予測するための高度なフェデレートラーニング(FL)フレームワークを提案する。 提案手法では,従来の動的空間-テンポラルグラフ畳み込みリカレントネットワーク(DSTGCRN)モデリングにおけるGRUモジュールをLong Short-Term Memory(LSTM)ネットワークに置き換えることで,時系列データに係わる長期的依存関係をより効果的に捉えることができる。 結果として生じるアーキテクチャは、様々な予測アプリケーションで複雑な時間パターンを扱う能力を大幅に改善します。 さらに、提案するFLフレームワークは、クライアントレベルで重要な検証ステップを導入し、中央サーバから集約されたパラメータをローカルモデルに組み込むという、新しいクライアント側バリデーション(CSV)メカニズムを統合している。 これにより、最も効果的な更新のみが採用され、クライアント間の予測モデルの堅牢性と正確性の両方が改善される。 提案手法の有効性は,都市部におけるマルチモーダル交通需要予測のためのパブリックデータセットや,Origin-Destination (OD) 行列予測のためのプライベートデータセットなど,実世界の応用に関する広範な実験を通じて実証される。 その結果、従来の手法よりも大幅に改善され、データのプライバシを保ちながら、複雑な時空間的依存関係をキャプチャするフレームワークの能力が強調された。 この作業は、リアルタイム、リージョン固有の予測および管理のためのスケーラブルでプライバシ保護ソリューションを提供するだけでなく、FLコンテキストにおける分散データソースの活用の可能性も浮き彫りにしている。 当社のアルゴリズムはGitHubでオープンソースとして提供しています。

関連論文リスト

• PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
  都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。 現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。 本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。 我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
  論文  参考訳（メタデータ） (2024-12-18T08:35:40Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• 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)
• Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
  パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。 本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。 我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
  論文  参考訳（メタデータ） (2024-08-24T16:32:58Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• A Generic Approach to Integrating Time into Spatial-Temporal Forecasting via Conditional Neural Fields [1.7661845949769062]
  本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。 主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。 道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-11T14:20:23Z)
• Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation [7.38079566297881]
  GFM(Global Forecasting Models)として知られる多くの時系列のセットでトレーニングされた予測モデルは、競争や実世界のアプリケーションを予測する上で有望な結果を示している。 本稿では,GFMモデルのベースライン精度を向上させるための,データ拡張に基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-06T13:52:20Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。