論文の概要: F2STNet: Fair and Federated Spectral-Temporal Modeling for Graph Forecasting

• arxiv url: http://arxiv.org/abs/2608.09082v1
• Date: Mon, 10 Aug 2026 03:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.068929
• Title: F2STNet: Fair and Federated Spectral-Temporal Modeling for Graph Forecasting
• Title（参考訳）: F2STNet:グラフ予測のためのフェアでフェデレートなスペクトル-テンポラルモデリング
• Abstract要約: F$2$STNetは、truncated graph-Fourier機能、軽量な対角状態空間時間エンコーダ、グラフ畳み込みを組み合わせた連合予測フレームワークである。 PeMS04, HZMetro, KnowAirの実験では, 評価基準値に対して良好な予測精度を示した。
• 参考スコア（独自算出の注目度）: 14.982972903182896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal prediction on graph-structured data is central to traffic forecasting and environmental monitoring, yet decentralized and heterogeneous data complicate both sequence modeling and collaborative training. We propose F$^2$STNet, a federated forecasting framework that combines truncated graph-Fourier features, a lightweight diagonal state-space temporal encoder, graph convolution, and Fairness-aware Federated Aggregation (FFA). The spectral branch exposes graph-frequency structure, while the state-space layer models long temporal dependencies with linear complexity in the sequence length. FFA adjusts the FedAvg prior using client validation losses and an increasing fairness schedule. Experiments on PeMS04, HZMetro, and KnowAir show favorable forecasting accuracy relative to the evaluated baselines; federated experiments on PeMS04 additionally improve worst-client and client-dispersion metrics.
• Abstract（参考訳）: グラフ構造化データの時空間予測は、トラフィック予測と環境モニタリングの中心であるが、非集中的で異質なデータは、シーケンスモデリングと協調トレーニングの両方を複雑にする。 提案するF$^2$STNetは,グラフ・フーリエ機能,軽量な対角状態空間時空間エンコーダ,グラフ畳み込み,Fairness-aware Federated Aggregation (FFA) を組み合わせたフェデレーション予測フレームワークである。 スペクトル分岐はグラフ周波数構造を公開し、状態空間層はシーケンス長の線形複雑性を伴う長い時間的依存関係をモデル化する。 FFAは、クライアントのバリデーション損失とフェアネススケジュールの増加を使って、FedAvgを調整する。 PeMS04、HZMetro、KnowAirの実験では、評価基準値に対する予測精度が良好であった。

関連論文リスト

• 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)
• INDEQS: Informed Neural controlled Differential EQuationS [13.60302952986747]
  グラフに基づくNCDE予測手法であるInformed Informed Neural Control Differential EQuationS (INDEQS)を紹介する。 INDEQSは、グラフノードにまたがる隠れ状態の内部混合と、ベクトル場と制御の間の外部混合を分離する。 我々は,水文ネットワーク上での河川流出予測とPeMS08上での交通流予測の2つの実世界の課題についてINDEQSを評価した。
  論文  参考訳（メタデータ） (2026-06-17T14:46:23Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• Ada-TransGNN: An Air Quality Prediction Model Based On Adaptive Graph Convolutional Networks [7.944991952472549]
  本研究では,グローバルな空間意味と時間的行動を統合するトランスフォーマーに基づくデータ予測手法を提案する。 本モデルは,短期・長期予測において,既存の最先端予測モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-25T10:22:03Z)
• Temporal Graph MLP Mixer for Spatio-Temporal Forecasting [1.5696662871407674]
  T-GMM (Temporal Graph-Mixer) は、データ不足に対処するために設計されたアーキテクチャである。 モデルはノードレベルの処理とサブグラフエンコーディングを組み合わせて、局所化された空間依存をキャプチャする。 AQI、ENGRAD、PV-US、METR-LAデータセットの実験では、大きな欠落したデータが存在する場合でも、モデルが効果的に予測できることが示されている。
  論文  参考訳（メタデータ） (2025-01-17T14:13:48Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Graph Federated Learning for CIoT Devices in Smart Home Applications [23.216140264163535]
  G-Fedfilt'と呼ばれるグラフフィルタリングに基づく新しいグラフ信号処理(GSP)に基づく集約ルールを提案する。 提案するアグリゲータは,グラフのトポロジに基づく情報の流れを構造化することができる。 モデルの一般化をテストする場合、FedAvgよりも2.41%$高い精度が得られる。
  論文  参考訳（メタデータ） (2022-12-29T17:57:19Z)

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。