論文の概要: PiXTime: A Model for Federated Time Series Forecasting with Heterogeneous Data Structures Across Nodes

• arxiv url: http://arxiv.org/abs/2601.05613v1
• Date: Fri, 09 Jan 2026 08:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.905926
• Title: PiXTime: A Model for Federated Time Series Forecasting with Heterogeneous Data Structures Across Nodes
• Title（参考訳）: PiXTime: ノード間の不均一なデータ構造による時系列予測のフェデレーションモデル
• Authors: Yiming Zhou, Mingyue Cheng, Hao Wang, Enhong Chen,
• Abstract要約: 時系列は非常に価値が高く、ノード間で共有することは滅多にない。 サンプリング基準の相違により、ノード間の時間粒度や変数セットが多様になる。 フェデレーション学習用に設計された新しい時系列予測モデルであるPiXTimeを提案する。
• 参考スコア（独自算出の注目度）: 52.821072802825654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series are highly valuable and rarely shareable across nodes, making federated learning a promising paradigm to leverage distributed temporal data. However, different sampling standards lead to diverse time granularities and variable sets across nodes, hindering classical federated learning. We propose PiXTime, a novel time series forecasting model designed for federated learning that enables effective prediction across nodes with multi-granularity and heterogeneous variable sets. PiXTime employs a personalized Patch Embedding to map node-specific granularity time series into token sequences of a unified dimension for processing by a subsequent shared model, and uses a global VE Table to align variable category semantics across nodes, thereby enhancing cross-node transferability. With a transformer-based shared model, PiXTime captures representations of auxiliary series with arbitrary numbers of variables and uses cross-attention to enhance the prediction of the target series. Experiments show PiXTime achieves state-of-the-art performance in federated settings and demonstrates superior performance on eight widely used real-world traditional benchmarks.
• Abstract（参考訳）: 時系列は非常に価値が高く、ノード間で共有することは滅多にない。 しかし、異なるサンプリング標準は、様々な時間的粒度とノード間の変数セットをもたらし、古典的な連合学習を妨げる。 我々は,多粒性および不均一な変数集合を持つノード間で効果的な予測を可能にする,フェデレート学習用に設計された新しい時系列予測モデルPiXTimeを提案する。 PiXTimeはパーソナライズされたパッチ埋め込みを使用してノード固有の粒度時系列を、その後の共有モデルによって処理される統一次元のトークンシーケンスにマッピングする。 変換器ベースの共有モデルにより、PiXTimeは任意の変数数を持つ補助系列の表現をキャプチャし、対象系列の予測を強化するためにクロスアテンションを使用する。 実験により、PiXTimeは、フェデレートされた設定で最先端のパフォーマンスを達成し、広く使われている8つの実世界のベンチマークで優れたパフォーマンスを示す。

関連論文リスト

• Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
  時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。 動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。 Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-30T06:02:26Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
  本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。 提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
  論文  参考訳（メタデータ） (2024-05-28T10:40:20Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)

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。