論文の概要: FedeRICo: Federated Region-Influenced Coupling for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2609.20026v1
• Date: Thu, 17 Sep 2026 10:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.220812
• Title: FedeRICo: Federated Region-Influenced Coupling for Traffic Flow Prediction
• Title（参考訳）: FedeRICo: 交通流予測のためのFederated Region-Influence Coupling
• Abstract要約: FedeRICoは、グラデーションレベルのコラボレーションと境界対応残差通信を組み合わせた、フェデレーション付きトラフィック予測フレームワークである。 4つの実世界の交通予測ベンチマークによる実験は、フェデリコが常に最先端の空間時間ベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 2.7729176920512217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban traffic forecasting often relies on information distributed across stakeholders who may be unable to share raw data due to privacy or commercial constraints, motivating federated spatial-temporal approaches. In such federated settings, each client observes traffic over a distinct sensor subgraph with its own spatial topology and temporal dynamics, leading to significant heterogeneity across clients. Existing federated spatial-temporal methods typically rely on model parameter aggregation and provide limited mechanisms for recovering spatial dependencies across client boundaries. This introduces two key limitations. Specifically, parameter aggregation across heterogeneous graph domains tends to dilute client-specific representations, while road network partitioning breaks the propagation of traffic dynamics across client boundaries. To address these challenges, we propose FedeRICo, a federated traffic forecasting framework that combines gradient-level collaboration with boundary-aware residual communication. FedeRICo employs a dual-branch forecasting architecture in which a globally guided branch captures transferable forecasting structure, while a private residual branch preserves client-specific corrections and incorporates boundary residual signals. The global branch is coordinated through gradient alignment across all clients, enabling collaborative optimisation without destructive parameter interference. To recover cross-client spatial dependencies, boundary messages are extracted through a trend-residual decomposition that suppresses periodic structure and communicates only transient spatial-temporal residual signals between physically adjacent clients. Experiments across four real-world traffic forecasting benchmarks demonstrate that FedeRICo consistently outperforms state-of-the-art federated spatial-temporal baselines while maintaining competitive training runtime.
• Abstract（参考訳）: 都市交通予測は、しばしば、プライバシーや商業上の制約のために生データを共有できないステークホルダーに分散した情報に依存し、連邦化された時空間的アプローチを動機付けている。 このようなフェデレートされた設定では、各クライアントは独自の空間的トポロジと時間的ダイナミクスを持つ異なるセンササブグラフ上のトラフィックを観察し、クライアント間で大きな異質性をもたらす。 既存の空間時間的手法は一般的にモデルパラメータアグリゲーションに依存し、クライアントの境界を越えて空間依存を回復するための制限されたメカニズムを提供する。 これには2つの重要な制限がある。 具体的には、不均一なグラフドメインをまたいだパラメータ集約は、クライアント固有の表現を減らしがちであるが、一方、ロードネットワークのパーティショニングは、クライアントの境界を越えてのトラフィックダイナミクスの伝播を損なう。 これらの課題に対処するために、勾配レベルの協調と境界対応残差通信を組み合わせたフェデリコ(Federated Traffic forecasting framework)を提案する。 FedeRICoは、グローバルガイドされたブランチが転送可能な予測構造をキャプチャするデュアルブランチ予測アーキテクチャを採用している。 グローバルブランチは、すべてのクライアント間の勾配アライメントを通じてコーディネートされ、破壊的なパラメータ干渉を伴わずに協調的な最適化を可能にする。 クロスクライアント空間依存性を回復するために、周期構造を抑圧し、物理的に隣接するクライアント間で過渡時空間残留信号のみを通信するトレンド残差分解によって境界メッセージを抽出する。 4つの実世界の交通予測ベンチマークでの実験では、フェデリコは競争力のあるトレーニングランタイムを維持しながら、最先端の空間時間ベースラインを一貫して上回っている。

関連論文リスト

• Causality-inspired Federated Learning for Dynamic Spatio-Temporal Graphs [32.47167190970743]
  Federated Graph Learning(FGL)は、グラフニューラルネットワークの分散トレーニングのための強力なパラダイムとして登場した。 既存のFGLメソッドは、実世界のグラフにクライアント固有の知識が存在することを見越して、すべての機能がクライアント間で等しく転送可能であると仮定する。 本稿では,クライアント固有のノイズから伝達可能な因果的知識を明示的に分離するSC-FSGLという,因果性に着想を得た新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T07:52:56Z)
• FedDis: A Causal Disentanglement Framework for Federated Traffic Prediction [14.618528630951579]
  我々は,フェデレーション型空間時間予測のための新しいフレームワークであるFedDisを紹介する。 我々はFedDisが常に最先端のパフォーマンスデータセット、有望な効率、優れた拡張性を実現していることを示す。
  論文  参考訳（メタデータ） (2026-01-30T05:20:53Z)
• Cross-Domain Federated Semantic Communication with Global Representation Alignment and Domain-Aware Aggregation [102.51096131854848]
  本研究は,画像再構成作業における意味コミュニケーションシステムの訓練における領域シフトを考慮した最初の試みである。 提案手法は,SNRが1dBの3領域のPSNR値に対して,モデルコントラストFL(MOON)フレームワークを0.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-11-30T03:19:59Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Federated Cross-Domain Click-Through Rate Prediction With Large Language Model Augmentation [4.978132660177235]
  大規模言語モデル拡張(FedCCTR-LM)を用いたFedCCTR予測について述べる。 まずプライバシ保護強化ネットワーク(PrivNet)では,ユーザとアイテムの表現を充実させるために,大規模な言語モデルを採用している。 第2に、IDST-CL(Independent Domain-Specific Transformer with Contrastive Learning)モジュールは、ドメイン固有の、共有されたユーザの好みを乱す。 第3に、Adaptive Local Differential Privacy(AdaLDP)メカニズムは、ノイズ注入を動的に校正し、厳密なプライバシー保証と予測精度の最適なバランスを実現する。
  論文  参考訳（メタデータ） (2025-03-21T06:22:42Z)
• HSTFL: A Heterogeneous Federated Learning Framework for Misaligned Spatiotemporal Forecasting [6.00534246138727]
  異種時空間学習(HSTFL)フレームワークを提案し、複数のクライアントが異なるドメインからの時系列データを活用できるようにする。 我々は,HSTFLが推論攻撃に効果的に抵抗するだけでなく,様々なベースラインに対して顕著な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2024-09-27T06:51:11Z)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。