联合时间序列预测中灾难性遗忘缓解方法的基准测试
机器学习
2026-02-24 v1 分布式、并行与集群计算
机器学习
摘要
灾难性遗忘(CF)在持续学习(CL)中是一个持续存在的挑战，尤其是在数据呈非独立同分布(i.i.d)时间序列的联邦学习(FL)环境中。虽然现有研究主要聚焦于视觉领域的分类任务，但以回归为基础的预测设置在物联网和边缘应用中仍未得到充分探索。本文提出首个针对联邦持续时间序列预测中CF的基准框架。利用北京多站点空气质量数据集中的12个去中心化客户端，系统评估了包括重放、弹性权重整合、无遗忘学习和突触智慧等多种CF缓解策略。主要贡献包括：(i)引入CF在联邦时间序列FL中的新基准，(ii)对最新方法进行全面比较分析，以及(iii)发布可复现的开源框架。本工作为推动联邦时间序列预测系统中的持续学习提供了必需工具和见解。
引用
@article{arxiv.2510.21491,
title = {Benchmarking Catastrophic Forgetting Mitigation Methods in Federated Time Series Forecasting},
author = {Khaled Hallak and Oudom Kem},
journal= {arXiv preprint arXiv:2510.21491},
year = {2026}
}
备注
Accepted for presentation at the FLTA 2025 Conference on Federated Learning. This version corresponds to the camera-ready author manuscript