論文の概要: MoE Enhanced Federated Learning for Spatiotemporal Prediction

• arxiv url: http://arxiv.org/abs/2606.10499v1
• Date: Tue, 09 Jun 2026 07:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.366447
• Title: MoE Enhanced Federated Learning for Spatiotemporal Prediction
• Title（参考訳）: 時空間予測のためのMoE強化フェデレーション学習
• Authors: Zhehao Dai, Xiao Han, Zhaolin Deng, Zijian Zhang, Xiangyu Zhao, Guojiang Shen, Xiangjie Kong,
• Abstract要約: 都市間の知識伝達が注目され、データに富んだ都市がデータ収集を支援するようになった。 MoE-FedTPは、軽量なMixture-of-temporal(MoE)ネットワークに基づく、パーソナライズされた都市間時間予測フレームワークである。 4つの実世界のトラフィックデータセットの実験から、MoE-FedTPは最先端のクロスシティとフェデレートされた学習ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 24.621321837905423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic prediction is fundamental to intelligent transportation systems and urban computing, yet many cities continue to suffer from traffic data scarcity due to limited sensor deployment and uneven urban development. Cross-city knowledge transfer has thus attracted increasing attention, enabling data-rich cities to assist data-scarce ones. However, centralized approaches raise privacy concerns, while existing federated methods struggle with pronounced spatiotemporal heterogeneity across cities. To address these challenges, we propose MoE-FedTP, a personalized federated cross-city spatiotemporal prediction framework based on lightweight Mixture-of-Experts (MoE) networks. MoE-FedTP first employs spatiotemporal neural networks to extract features from both source and target cities, then introduces a set of expert networks derived from different source cities through partial parameter sharing. A gating mechanism dynamically fuses the experts to capture diverse traffic dynamics, achieving fine-grained modeling of urban heterogeneity while preserving privacy. Experiments on four real-world traffic datasets show that MoE-FedTP consistently outperforms state-of-the-art cross-city and federated learning baselines, demonstrating its effectiveness in enhancing prediction accuracy for data-scarce cities.
• Abstract（参考訳）: 交通予測は、インテリジェントな交通システムや都市コンピューティングの基本であるが、多くの都市は、センサーの配置が限られ、都市開発が不均一なため、交通データ不足に悩まされている。 これにより、都市間の知識伝達が注目され、データに富んだ都市がデータ収集を支援することができるようになった。 しかし、中央集権的なアプローチはプライバシーの懸念を喚起する一方、既存のフェデレーション方式は都市全体の時空間的異質性を顕著に表すのに苦労する。 これらの課題に対処するために,軽量なMixture-of-Experts (MoE) ネットワークに基づく,パーソナライズされた都市間時空間予測フレームワークであるMoE-FedTPを提案する。 MoE-FedTPはまず、ソース都市とターゲット都市の両方から特徴を抽出するために時空間ニューラルネットワークを使用し、その後、部分パラメータ共有を通じて異なるソース都市から派生した専門家ネットワークのセットを導入している。 ゲーティング機構は専門家を動的に融合させ、様々な交通動態を捉え、プライバシーを維持しながら都市の不均一性のきめ細かいモデリングを実現する。 4つの実世界のトラフィックデータセットの実験により、MoE-FedTPは最先端のクロスシティとフェデレートされた学習ベースラインを一貫して上回り、データスカース都市の予測精度を高める効果を示す。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• A Pretrained Probabilistic Transformer for City-Scale Traffic Volume Prediction [8.384075654211685]
  都市規模の交通量予測は、インテリジェント交通システムにおいて重要な役割を担っている。 現在のモデルは一般的に都市特有の方法で訓練されており、その一般化を妨げている。 本稿では,トラジェクトリの分散アグリゲーションとしてトラフィックボリュームをモデル化する事前学習型確率変換器であるTrafficPPTを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T09:07:29Z)
• Causality Enhanced Origin-Destination Flow Prediction in Data-Scarce Cities [13.436303786475348]
  そこで我々は,都市間における都市知識の伝達を目的とした,Causality-Enhanced OD Flow Prediction (CE-OFP) フレームワークを提案する。 提案したCE-OFPは最先端のベースラインを著しく上回り、データ共有都市におけるODフロー予測のRMSEを最大11%削減することができる。
  論文  参考訳（メタデータ） (2025-03-09T02:36:36Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
  データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。 データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。 この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
  論文  参考訳（メタデータ） (2024-09-07T06:24:50Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)

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。