論文の概要: AutoFed: Manual-Free Federated Traffic Prediction via Personalized Prompt

• arxiv url: http://arxiv.org/abs/2512.24625v1
• Date: Wed, 31 Dec 2025 04:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.572847
• Title: AutoFed: Manual-Free Federated Traffic Prediction via Personalized Prompt
• Title（参考訳）: AutoFed: パーソナライズされたプロンプトによる手動フリーフェデレーショントラフィック予測
• Authors: Zijian Zhao, Yitong Shang, Sen Li,
• Abstract要約: 交通予測のための新しいPFLフレームワークであるAutoFedを提案する。 迅速な学習にインスパイアされたAutoFedは、クライアント対応のアダプタを使用して、ローカルデータをコンパクトでグローバルに共有されたプロンプトマトリックスに蒸留する。 実世界のデータセットの実験では、AutoFedはさまざまなシナリオで一貫して優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 5.074564398955513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate traffic prediction is essential for Intelligent Transportation Systems, including ride-hailing, urban road planning, and vehicle fleet management. However, due to significant privacy concerns surrounding traffic data, most existing methods rely on local training, resulting in data silos and limited knowledge sharing. Federated Learning (FL) offers an efficient solution through privacy-preserving collaborative training; however, standard FL struggles with the non-independent and identically distributed (non-IID) problem among clients. This challenge has led to the emergence of Personalized Federated Learning (PFL) as a promising paradigm. Nevertheless, current PFL frameworks require further adaptation for traffic prediction tasks, such as specialized graph feature engineering, data processing, and network architecture design. A notable limitation of many prior studies is their reliance on hyper-parameter optimization across datasets-information that is often unavailable in real-world scenarios-thus impeding practical deployment. To address this challenge, we propose AutoFed, a novel PFL framework for traffic prediction that eliminates the need for manual hyper-parameter tuning. Inspired by prompt learning, AutoFed introduces a federated representor that employs a client-aligned adapter to distill local data into a compact, globally shared prompt matrix. This prompt then conditions a personalized predictor, allowing each client to benefit from cross-client knowledge while maintaining local specificity. Extensive experiments on real-world datasets demonstrate that AutoFed consistently achieves superior performance across diverse scenarios. The code of this paper is provided at https://github.com/RS2002/AutoFed .
• Abstract（参考訳）: 正確な交通予測は、配車サービス、都市道路計画、車両管理など、インテリジェント・トランスポーテーション・システムにとって不可欠である。 しかし、トラフィックデータを取り巻くプライバシー上の重大な懸念から、既存の手法のほとんどはローカルトレーニングに依存しており、データサイロや知識共有の制限が生じる。 フェデレートラーニング(FL)は、プライバシ保護による協調トレーニングを通じて効率的なソリューションを提供するが、標準的なFLは、クライアント間で非独立的で同一に分散された(非IID)問題に苦労する。 この課題はパーソナライズド・フェデレート・ラーニング(PFL)が将来性のあるパラダイムとして出現することにつながった。 しかしながら、現在のPFLフレームワークは、特殊なグラフ機能エンジニアリング、データ処理、ネットワークアーキテクチャ設計など、トラフィック予測タスクにさらに適応する必要がある。 多くの先行研究の注目すべき制限は、実際のシナリオでは利用できないデータセット情報の超パラメータ最適化に依存していることだ。 この課題に対処するため,交通予測のための新しいPFLフレームワークであるAutoFedを提案する。 迅速な学習にインスパイアされたAutoFedは、クライアント対応のアダプタを使用して、ローカルデータをコンパクトでグローバルに共有されたプロンプトマトリックスに蒸留するフェデレートされた表現器を導入した。 このプロンプトはパーソナライズされた予測器を条件にすることで、各クライアントがローカルな特異性を保ちながら、クロスクライアントな知識の恩恵を受けることができる。 実世界のデータセットに関する大規模な実験は、AutoFedがさまざまなシナリオで一貫して優れたパフォーマンスを実現していることを示している。 本論文のコードはhttps://github.com/RS2002/AutoFed で公開されている。

関連論文リスト

• Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
  ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。 データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。 エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。 我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
  論文  参考訳（メタデータ） (2025-08-22T17:47:02Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation [10.751702067716804]
  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。
  論文  参考訳（メタデータ） (2024-12-11T15:25:38Z)
• 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)
• Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning [49.72857433721424]
  Vision Transformer (ViT) と Visual Prompt Tuning (VPT) は、様々なコンピュータビジョンタスクの効率を改善して最先端のパフォーマンスを実現する。 本稿では,GFL(Generalized FL)とPFL(Personalized FL)を組み合わせた新しいアルゴリズムSGPTを提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:22:09Z)
• 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)
• GOF-TTE: Generative Online Federated Learning Framework for Travel Time Estimation [8.05623264361826]
  本稿では,モバイルユーザグループを対象としたGOF-TTE,旅行時間推定のための生成オンラインフェデレーション学習フレームワークを紹介する。 トレーニング中にプライベートデータをクライアントデバイスに保持し,全クライアントが共有するオンライン生成モデルとしてグローバルモデルを設計し,リアルタイムな道路交通状態を推定する。 また、私たちのフレームワークにシンプルなプライバシー攻撃を導入し、プライバシーの安全性をさらに保証するための差分プライバシーメカニズムを実装しています。
  論文  参考訳（メタデータ） (2022-07-02T14:10:26Z)
• 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)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)

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。