AutoFed：通过自适应提示实现个性化联邦交通预测
机器学习
2026-04-20 v2 人工智能
摘要
准确的交通预测对于智能交通系统至关重要，包括网约车、城市道路规划和车辆车队管理。然而，由于交通数据存在显著的隐私问题，大多数现有方法依赖于本地训练，导致数据孤岛和有限的知识共享。联邦学习（FL）通过保护隐私的协作训练提供了一种有效的解决方案；然而，标准联邦学习难以应对客户端间的非独立同分布（non-IID）问题。这一挑战促使个性化联邦学习（PFL）作为一种有前景的范式出现。尽管如此，当前的PFL框架需要针对交通预测任务进行进一步适配，例如专门的图特征工程、数据处理和网络架构设计。许多先前研究的一个显著局限是它们依赖于跨数据集的超参数优化——这些信息在现实场景中通常无法获得——从而阻碍了实际部署。为应对这一挑战，我们提出了AutoFed，这是一种用于交通预测的新型PFL框架，消除了手动超参数调优的需求。受提示学习启发，AutoFed引入了一个联邦表征器，该表征器采用客户端对齐适配器将本地数据提炼成一个紧凑的、全局共享的提示矩阵。该提示随后条件化一个个性化预测器，使每个客户端都能从跨客户端知识中受益，同时保持本地特异性。在真实世界数据集上的大量实验表明，AutoFed在不同场景下均能持续取得优越性能。本文代码提供于https://github.com/RS2002/AutoFed。
引用
@article{arxiv.2512.24625,
title = {AutoFed: Personalized Federated Traffic Prediction via Adaptive Prompt},
author = {Zijian Zhao and Yitong Shang and Sen Li},
journal= {arXiv preprint arXiv:2512.24625},
year = {2026}
}