Fugu-MT 論文翻訳(概要): FedChronos: Federated Fine-Tuning of Time-Series Foundation Models for Privacy-Preserving Commodity Price Forecasting

論文の概要: FedChronos: Federated Fine-Tuning of Time-Series Foundation Models for Privacy-Preserving Commodity Price Forecasting

arxiv url: http://arxiv.org/abs/2608.01290v1
Date: Sun, 02 Aug 2026 14:59:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.150391
Title: FedChronos: Federated Fine-Tuning of Time-Series Foundation Models for Privacy-Preserving Commodity Price Forecasting
Title（参考訳）: FedChronos:プライバシ保護コモディティ価格予測のための時系列基盤モデルの細調整
Abstract要約: 時系列基礎モデル(TSFM)は、ドメイン間で強い予測能力を示している。我々は、すでに訓練済みのTSFMをフェデレーションしたパラメータ効率の微調整のためのフレームワークであるFedChronosを紹介する。 9州にわたる15のインド農業市場から毎日の商品価格についてFedChronosを評価する。
参考スコア（独自算出の注目度）: 8.065385333354984
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time-series foundation models (TSFMs) such as Chronos have demonstrated strong forecasting capabilities across domains, yet adapting them to institutionally fragmented settings, where data cannot be centralized due to regulatory, competitive, or sovereignty constraints, remains unexplored. We introduce FedChronos, a framework for federated parameter-efficient fine-tuning of an already pre-trained TSFM, a setting that existing federated time-series work has not addressed, since prior methods either pre-train from scratch or align prototypes rather than adapt a fixed backbone. Our approach applies Low-Rank Adaptation (LoRA) to the Chronos-T5 backbone and trains across distributed clients using FedAvg and FedProx, transmitting only lightweight adapter weights (384~KB per round, an 86$\times$ reduction over full-model exchange). We evaluate FedChronos on daily commodity prices from 15 Indian agricultural markets across 9 states, a naturally non-IID federated setting, and find that naïve LoRA fine-tuning overfits substantially on small per-client datasets, dropping below zero-shot performance. We further observe that differential privacy (DP) noise can act as implicit regularization and counteract this overfitting: in our experiments the strongest configuration ($\varepsilon = 5$) reduces mean absolute percentage error (MAPE) by 31% over zero-shot and 26% over the best traditional baseline, while bounding each round's information leakage via per-round $(\varepsilon, δ)$-differential privacy. Because the model is compact and the updates are small, the approach also suits edge AI deployments where both the network link and the client device are constrained. Overall, our findings suggest that privacy and accuracy can be complementary rather than competing objectives in federated TSFM fine-tuning.
Abstract（参考訳）: Chronosのような時系列基盤モデル(TSFM)は、ドメイン間で強力な予測能力を示してきたが、規制、競争、主権の制約のためにデータが集中できないような、制度的に断片化された設定に適応する。我々は,すでにトレーニング済みのTSFMをフェデレーションパラメータ効率で微調整するフレームワークであるFedChronosを紹介した。我々のアプローチでは、Chronos-T5バックボーンにローランド適応(LoRA)を適用し、FedAvgとFedProxを使用して分散クライアントをまたがって、軽量なアダプタウェイト(384〜KB、1ラウンドあたり86$\times$ reduce over full-model exchange)を送信します。 9州にまたがる15のインド農業市場から毎日の商品価格に関するFedChronosの評価を行った。我々の実験では、最も強い設定(\varepsilon = 5$)は、ゼロショットで平均絶対パーセンテージエラー(MAPE)を31%減らし、最高のベースラインで26%減らし、ラウンドごとの情報漏洩をラウンド当たり$(\varepsilon, δ)$-差分プライバシーで制限します。モデルがコンパクトで更新が小さいため、このアプローチは、ネットワークリンクとクライアントデバイスの両方が制約されたエッジAIデプロイメントにも適合する。以上の結果から,フェデレートTSFMファインチューニングの目的よりも,プライバシと精度が相補的であることが示唆された。

関連論文リスト

Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems [0.0]
フェデレートラーニングにより、規制された組織は、自身のサーバから生のレコードを移動することなく、共有モデルをトレーニングできる。 2つの問題は、この約束が実際にどれだけ信頼できるかを制限する。プライバシー層を持たないビザンチン・ロバスト・アグリゲータは、生の精度で最高の性能を発揮する。
論文参考訳（メタデータ） (2026-09-02T18:36:30Z)
RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文参考訳（メタデータ） (2026-06-23T02:11:04Z)
Statistical Limits and Efficient Algorithms for Differentially Private Federated Learning [3.8169847142355695]
フェデレートラーニング(Federated Learning)は、MLとAIモデルを多数のユーザデバイスとデータベースで協調的にトレーニングするフレームワークである。評価精度,プライバシ制約,通信コストのトレードオフについて検討した。
論文参考訳（メタデータ） (2026-05-18T17:01:34Z)
Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
論文参考訳（メタデータ） (2026-03-24T17:39:09Z)
Fractional-Order Federated Learning [4.1751058176413105]
フェデレートラーニング(FL)は、リモートクライアントがクライアントのプライバシを保護しながら、グローバルモデルを協調的にトレーニングすることを可能にする。プライバシー保護のメリットにもかかわらず、FLには、収束の遅い、通信コストの高い、非独立性および独立性のない(非IID)データなど、大きな欠点がある。
論文参考訳（メタデータ） (2026-02-17T06:25:23Z)
FedAPM: Federated Learning via ADMM with Partial Model Personalization [12.72555825043549]
FL(Federated Learning)では、異なるデバイスからのデータセットが独立であり、同じ分散(すなわち、同じ分散)であるという仮定は、ユーザ差によって保持されないことが多い。本稿では、FedAPMと呼ばれる乗算器の交互方向法(ADMM)に基づくFLフレームワークを提案し、クライアントのドリフトを緩和する。
論文参考訳（メタデータ） (2025-06-05T06:38:29Z)
Federated Low-Rank Adaptation with Differential Privacy over Wireless Networks [24.667581521367357]
Federated Fine-tuning (FedFT)は、生データを共有せずに協調的なモデルトレーニングを促進することで、いくつかのプライバシー問題を緩和する。 FedFTにおけるプライバシーの盗聴攻撃のリスクは、特に医療や金融などの機密分野において懸念されている。無線ネットワーク上での差分プライバシー(DP)を考慮したFedFTフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-12T14:01:08Z)
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)
Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization [90.08459757321405]
Federated Adam (FedAdam) アルゴリズムはアップリンク通信オーバーヘッドの3倍の増大に悩まされている。我々はFedAdam-SSMと呼ばれる新しいスパースなFedAdamアルゴリズムを提案する。我々は,FedAdam-SSMが訓練したモデルと集中型Adamの差異を最小化することにより,スペーシフィケーションエラーによる学習性能劣化を軽減するためにSSMを最適化する。
論文参考訳（メタデータ） (2024-05-28T07:56:49Z)
FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文参考訳（メタデータ） (2023-02-21T03:55:29Z)
FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-12-14T13:57:01Z)

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。