論文の概要: Federated Learning of Nonlinear Temporal Dynamics with Graph Attention-based Cross-Client Interpretability

• arxiv url: http://arxiv.org/abs/2602.13485v1
• Date: Fri, 13 Feb 2026 21:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.112093
• Title: Federated Learning of Nonlinear Temporal Dynamics with Graph Attention-based Cross-Client Interpretability
• Title（参考訳）: グラフアテンションに基づくクロスクライアント解釈による非線形時間ダイナミクスのフェデレーション学習
• Authors: Ayse Tursucular, Ayush Mohanty, Nazal Mohamed, Nagi Gebraeel,
• Abstract要約: 分散非線形システムにおいて,クライアント間の時間的相互依存性を学習するためのフレームワークを提案する。 中央サーバは、グラフ注意ネットワークを使用して、通信された潜在状態上のグラフ構造化されたニューラル状態遷移モデルを学ぶ。 解釈可能性について、学習したサーバ側遷移モデルのヤコビアンを注意係数に関連付け、クライアント間の時間的相互依存性を初めて解釈可能な特徴付けを提供する。
• 参考スコア（独自算出の注目度）: 2.8582274879786684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Networks of modern industrial systems are increasingly monitored by distributed sensors, where each system comprises multiple subsystems generating high dimensional time series data. These subsystems are often interdependent, making it important to understand how temporal patterns at one subsystem relate to others. This is challenging in decentralized settings where raw measurements cannot be shared and client observations are heterogeneous. In practical deployments each subsystem (client) operates a fixed proprietary model that cannot be modified or retrained, limiting existing approaches. Nonlinear dynamics further make cross client temporal interdependencies difficult to interpret because they are embedded in nonlinear state transition functions. We present a federated framework for learning temporal interdependencies across clients under these constraints. Each client maps high dimensional local observations to low dimensional latent states using a nonlinear state space model. A central server learns a graph structured neural state transition model over the communicated latent states using a Graph Attention Network. For interpretability we relate the Jacobian of the learned server side transition model to attention coefficients, providing the first interpretable characterization of cross client temporal interdependencies in decentralized nonlinear systems. We establish theoretical convergence guarantees to a centralized oracle and validate the framework through synthetic experiments demonstrating convergence, interpretability, scalability and privacy. Additional real world experiments show performance comparable to decentralized baselines.
• Abstract（参考訳）: 現代の産業システムのネットワークは分散センサによって監視され、各システムは高次元時系列データを生成する複数のサブシステムから構成される。 これらのサブシステムは、しばしば相互依存しており、あるサブシステムにおける時間的パターンが他のサブシステムとどのように関係しているかを理解することが重要である。 これは、生の測定を共有できず、クライアントの観察が不均一な分散環境では難しい。 実践的なデプロイメントでは、各サブシステム(クライアント)は、修正や再トレーニングができない固定されたプロプライエタリなモデルを実行し、既存のアプローチを制限します。 非線形力学は、非線型状態遷移関数に埋め込まれているため、クライアント間の時間的相互依存性の解釈をさらに困難にする。 このような制約の下で,クライアント間の時間的相互依存を学習するための統合フレームワークを提案する。 各クライアントは、非線形状態空間モデルを用いて高次元局所観測を低次元潜在状態にマッピングする。 中央サーバは、グラフ注意ネットワークを使用して、通信された潜在状態上のグラフ構造化されたニューラル状態遷移モデルを学ぶ。 解釈可能性について,学習サーバ側遷移モデルのヤコビアンを注意係数に関連付け,分散非線形システムにおけるクライアント間の時間的相互依存性を初めて解釈可能な特徴付けを行う。 我々は,集中したオラクルに対する理論的収束保証を確立し,収束性,解釈可能性,拡張性,プライバシを実証する合成実験を通じて,その枠組みを検証する。 その他の実世界の実験では、分散ベースラインに匹敵するパフォーマンスを示している。

関連論文リスト

• Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification [6.5745172279769255]
  本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。 状態遷移行列はシュールのパラメータ化によって安定であることが保証される。 提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:25:54Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• 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)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• A Hierarchical Framework with Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems [41.055298739292695]
  複雑な適応システムのグローバルな特性であるEmergenceは、例えばネットワークレベルのトラフィック混雑など、現実世界の動的システムで広く利用されている。 本稿では,システム表現とエージェント表現を学習することで,これら2つの問題を解決するために,CASの時間的一貫性を備えた階層型フレームワークを提案する。 提案手法は,3つのデータセットに対する従来の手法や深層学習法よりも,検出の難しい動作をよく知ることができる。
  論文  参考訳（メタデータ） (2024-01-18T08:55:05Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
  我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。 予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T17:47:10Z)

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。