論文の概要: Benchmarking Catastrophic Forgetting Mitigation Methods in Federated Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.21491v1
• Date: Fri, 24 Oct 2025 14:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.500585
• Title: Benchmarking Catastrophic Forgetting Mitigation Methods in Federated Time Series Forecasting
• Title（参考訳）: フェデレート時系列予測における破滅的予測手法のベンチマーク
• Authors: Khaled Hallak, Oudom Kem,
• Abstract要約: 破滅的忘れ(CF)は継続学習(CL)に永続的な課題をもたらす 本稿では,フェデレートされた連続時系列予測におけるCFの調査に適した,最初のベンチマークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Catastrophic forgetting (CF) poses a persistent challenge in continual learning (CL), especially within federated learning (FL) environments characterized by non-i.i.d. time series data. While existing research has largely focused on classification tasks in vision domains, the regression-based forecasting setting prevalent in IoT and edge applications remains underexplored. In this paper, we present the first benchmarking framework tailored to investigate CF in federated continual time series forecasting. Using the Beijing Multi-site Air Quality dataset across 12 decentralized clients, we systematically evaluate several CF mitigation strategies, including Replay, Elastic Weight Consolidation, Learning without Forgetting, and Synaptic Intelligence. Key contributions include: (i) introducing a new benchmark for CF in time series FL, (ii) conducting a comprehensive comparative analysis of state-of-the-art methods, and (iii) releasing a reproducible open-source framework. This work provides essential tools and insights for advancing continual learning in federated time-series forecasting systems.
• Abstract（参考訳）: 破滅的忘れ(CF)は連続学習(CL)において永続的な課題であり、特に非I.d.時系列データによって特徴づけられる連邦学習(FL)環境において顕著である。 既存の研究は、視覚領域の分類タスクに重点を置いているが、IoTやエッジアプリケーションで広く使われている回帰ベースの予測設定は、まだ探索されていない。 本稿では,フェデレートされた連続時系列予測におけるCFの調査に適した,最初のベンチマークフレームワークを提案する。 北京の12の分散クライアントを対象としたマルチサイト空気質データセットを用いて、リプレイ、Elastic Weight Consolidation、Learning without Forgetting、Synaptic IntelligenceなどのCF緩和戦略を体系的に評価した。 主な貢献は以下の通り。 (i)時系列FLにおけるCFの新しいベンチマークの導入 二 最先端の方法の総合的な比較分析を行うこと、及び (iii)再現可能なオープンソースフレームワークをリリース。 この研究は、フェデレートされた時系列予測システムにおける継続的な学習を促進するための重要なツールと洞察を提供する。

関連論文リスト

• Time Series Foundation Models: Benchmarking Challenges and Requirements [0.0]
  時系列基礎モデル(TSFM)は、時系列予測の新しいパラダイムである。 TSFMの評価は、より広範なトレーニングセットと同様に、整合性ベンチマークデータの確保がより困難になるため、難しい。
  論文  参考訳（メタデータ） (2025-10-15T15:15:45Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Asymptotic Analysis of Sample-averaged Q-learning [2.2374171443798034]
  本稿では、サンプル平均Qラーニング(SA-QL)と呼ばれる、時間変化のバッチ平均Qラーニングのためのフレームワークを提案する。 サンプル平均化アルゴリズムの機能的中心極限を軽度条件下で利用し,間隔推定のためのランダムなスケーリング手法を開発した。 この研究は、サンプル平均Q-ラーニングのための統一理論基盤を確立し、効率的なバッチスケジューリングとRLアルゴリズムの統計的推論に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-14T17:17:19Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Few-shot Class-incremental Learning for Classification and Object Detection: A Survey [21.00652296768061]
  FSCIL(Few-shot Class-Incremental Learning)は機械学習(ML)においてユニークな課題を提示する 本稿は、FSCILの総合的かつ体系的なレビューを提供することを目的としている。
  論文  参考訳（メタデータ） (2023-08-13T13:01:21Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Towards Federated Learning on Time-Evolving Heterogeneous Data [13.080665001587281]
  Federated Learning(FL)は、エッジデバイス上でクライアントデータのローカリティを保証することによって、プライバシを保護する、新たな学習パラダイムである。 異種データの最適化に関する最近の研究にもかかわらず、実世界のシナリオにおける異種データの時間進化の影響は十分に研究されていない。 本稿では,FLの時間発展的不均一性を捉えるために,フレキシブルなフレームワークであるContinual Federated Learning (CFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-25T14:58:52Z)

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。