論文の概要: Learning From Static Context in Federated Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2611.06064v1
• Date: Wed, 04 Nov 2026 07:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.007501
• Title: Learning From Static Context in Federated Time Series Forecasting
• Title（参考訳）: 時系列予測における静的コンテキストからの学習
• Abstract要約: 時系列予測は、ローカルに訓練されたシリーズごとのモデルから、多くの異種シリーズで訓練されたグローバルモデルへとシフトしている。 バッチ毎のグラデーションを集約するFedAdamでは,静的入力と集中トレーニングをほぼ使用しています。 建設エネルギーでは、誤差は依然として減少するが、静的経路は静かで、ドリフトと通信周波数は完全には分離できない。
• 参考スコア（独自算出の注目度）: 1.1169664308054001
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series forecasting is shifting from locally trained, per-series models to global models trained across many heterogeneous series, which requires learning what sets the series apart. When the raw data cannot be centralized, such a global model is trained with federated learning (FL), one client per data owner. State-of-the-art forecasters such as the Temporal Fusion Transformer (TFT) tell series apart through a static input that describes each series and does not change over time. In the special case of a federated setting where each client holds a single series, this static input is constant within each client and varies only across clients. We ask whether a federated TFT can learn from it. Per-batch FedAdam, which aggregates gradients after every batch, uses the static input almost as well as central training, whereas communication-efficient schemes with local epochs (FedAvg, FedAdam+Prox) extract far less from it and gain nothing significant on either application dataset. At the same local computation, an Adam-compatible SCAFFOLD keeps the static pathway responsive on wind power and gains significantly there. On building energy its error still drops, but the static pathway falls silent, so drift and communication frequency cannot be fully separated as the cause. Only per-batch FedAdam matches or beats the per-client local models across all datasets. We confirm the effect on building-energy meter data, a wind-power dataset, and a controlled synthetic dataset. The loss is not specific to the TFT: on the synthetic and the wind data two further architectures with different static-conditioning mechanisms show it as well.
• Abstract（参考訳）: 時系列予測は、ローカルに訓練されたシリーズごとのモデルから、多くの異種シリーズで訓練されたグローバルモデルへとシフトしている。 生データを集中できない場合、グローバルモデルはデータ所有者1人当たりのクライアントであるフェデレートラーニング(FL)によって訓練される。 TFT(Temporal Fusion Transformer)のような最先端の予測器は、各シリーズを記述し、時間とともに変化しない静的入力を通じてシリーズを区別する。 各クライアントが1つのシリーズを保持するフェデレートされた設定の場合、この静的入力は各クライアント内で一定であり、クライアント間でのみ異なる。 我々は、連合TFTがそれから学べるかどうかを問う。 一方、ローカルエポック(FedAvg、FedAdam+Prox)による通信効率のよいスキームは、バッチ毎にグラデーションを集約する。 同じ局所的な計算では、Adam互換のSCAFFOLDが風力に応答する静的経路を保持し、そこで大幅に向上する。 建設エネルギーでは誤差は依然として減少するが、静的経路は静かで、ドリフトと通信周波数は原因として完全に分離できない。 バッチ毎のFedAdamは、すべてのデータセットにまたがるクライアント毎のローカルモデルにマッチまたはヒットする。 建物エネルギー計データ,風力データセット,制御された合成データセットへの影響を確認した。 この損失はTFTに固有のものではなく、合成と風速データでは、異なる静的条件機構を持つ2つのアーキテクチャもそれを示している。

関連論文リスト

• 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)
• 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)
• Federated Time Series Generation on Feature and Temporally Misaligned Data [3.7324240104250728]
  FedTDDは、クライアント間でシンセサイザーを共同で学習する、新しいフェデレーション時系列拡散モデルである。 従来のフェデレーション学習とは対照的に、FedTDDは、局所的な合成出力の交換を通じて、クライアントの時系列間の相関を学習する。
  論文  参考訳（メタデータ） (2024-10-28T14:35:07Z)
• 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)
• FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients [50.13097183691517]
  実世界のフェデレーションシナリオでは、様々な計算と通信資源を持つ多種多様なクライアントが存在することが多い。 本稿では,新しいフェデレーションチューニングアルゴリズムであるFedRAを提案する。 各通信ラウンドにおいて、FedRAはランダムにアロケーション行列を生成する。 アダプタを用いてアロケーション行列とファインチューンに基づいて、元のモデルから少数のレイヤを再編成する。
  論文  参考訳（メタデータ） (2023-11-19T04:43:16Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。