論文の概要: Channel-Independent Federated Traffic Prediction

• arxiv url: http://arxiv.org/abs/2508.04517v1
• Date: Wed, 06 Aug 2025 15:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.77798
• Title: Channel-Independent Federated Traffic Prediction
• Title（参考訳）: チャネルに依存しないフェデレーション交通予測
• Authors: Mo Zhang, Xiaoyu Li, Bin Xu, Meng Chen, Yongshun Gong,
• Abstract要約: 本稿では,CIP(Channel-Independent Paradigm)と呼ばれる,フェデレーション付きトラフィック予測のための新しい変数関係モデリングパラダイムを提案する。 CIPは、各ノードがローカル情報のみを使用して効率的かつ正確な予測を行えるようにすることで、クライアント間通信の必要性を排除する。 さらに、効率の良いフェデレート学習フレームワークであるFed-CIを開発し、各クライアントが独立して独自のデータを処理できるようにします。
• 参考スコア（独自算出の注目度）: 18.760826963566856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, traffic prediction has achieved remarkable success and has become an integral component of intelligent transportation systems. However, traffic data is typically distributed among multiple data owners, and privacy constraints prevent the direct utilization of these isolated datasets for traffic prediction. Most existing federated traffic prediction methods focus on designing communication mechanisms that allow models to leverage information from other clients in order to improve prediction accuracy. Unfortunately, such approaches often incur substantial communication overhead, and the resulting transmission delays significantly slow down the training process. As the volume of traffic data continues to grow, this issue becomes increasingly critical, making the resource consumption of current methods unsustainable. To address this challenge, we propose a novel variable relationship modeling paradigm for federated traffic prediction, termed the Channel-Independent Paradigm(CIP). Unlike traditional approaches, CIP eliminates the need for inter-client communication by enabling each node to perform efficient and accurate predictions using only local information. Based on the CIP, we further develop Fed-CI, an efficient federated learning framework, allowing each client to process its own data independently while effectively mitigating the information loss caused by the lack of direct data sharing among clients. Fed-CI significantly reduces communication overhead, accelerates the training process, and achieves state-of-the-art performance while complying with privacy regulations. Extensive experiments on multiple real-world datasets demonstrate that Fed-CI consistently outperforms existing methods across all datasets and federated settings. It achieves improvements of 8%, 14%, and 16% in RMSE, MAE, and MAPE, respectively, while also substantially reducing communication costs.
• Abstract（参考訳）: 近年、交通予測は目覚ましい成功を収め、インテリジェント交通システムにおいて重要な要素となっている。 しかし、トラフィックデータは一般的に複数のデータ所有者に分散しており、プライバシの制約により、トラフィック予測のためにこれらの独立したデータセットを直接利用できない。 既存のフェデレートされたトラフィック予測手法は、予測精度を向上させるために、モデルが他のクライアントからの情報を活用できる通信機構の設計に重点を置いている。 残念なことに、このようなアプローチは大きな通信オーバーヘッドを引き起こすことが多く、その結果の送信遅延はトレーニングプロセスを大幅に遅くする。 トラフィックデータの量が増え続けるにつれ、この問題はますます重要になり、現在のメソッドのリソース消費は持続不可能になる。 そこで我々は,CIP(Channel-Independent Paradigm)と呼ばれる,フェデレーション付きトラフィック予測のための新しい変数関係モデリングパラダイムを提案する。 従来のアプローチとは異なり、CIPは各ノードがローカル情報のみを使用して効率的かつ正確な予測を行えるようにすることで、クライアント間通信の必要性を排除している。 CIPに基づいて,効率の良いフェデレート学習フレームワークであるFed-CIをさらに発展させ,クライアント間の直接データ共有の欠如による情報損失を効果的に軽減しつつ,各クライアントが独立してデータを処理できるようにする。 Fed-CIは通信オーバーヘッドを大幅に減らし、トレーニングプロセスを加速し、プライバシー規制に従って最先端のパフォーマンスを達成する。 複数の実世界のデータセットに対する大規模な実験は、Fed-CIがすべてのデータセットとフェデレーションされた設定で既存のメソッドを一貫して上回っていることを示している。 RMSE, MAE, MAPEの8%, 14%, 16%の改善を実現し, 通信コストを大幅に削減した。

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)
• 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)
• Efficient Cross-Domain Federated Learning by MixStyle Approximation [0.3277163122167433]
  ハードウェア制約環境におけるクライアント適応のための,プライバシ保護,リソース効率の高いフェデレーション学習の概念を導入する。 このアプローチには、ソースデータに対するサーバモデル事前トレーニングと、ローエンドクライアントによるターゲットデータへの微調整が含まれる。 予備的な結果は,下流タスクにおける競合性能を維持しながら,計算コストと伝送コストを削減できることを示唆している。
  論文  参考訳（メタデータ） (2023-12-12T08:33:34Z)
• FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup for Non-IID Data [54.81695390763957]
  フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。 我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。 クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-18T12:35:05Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• 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)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• 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。