面向非线性时序数据的鲁棒性联邦学习：数据分布与去趋势
机器学习
2025-07-16 v1 分布式、并行与集群计算
摘要
随着计算和通信技术的发展，物联网 (IoT) 领域取得了显著的发展。IoT 设备通常来自各种传感器，如温度、湿度和电能表等，这些数据本质上是时序的。传统上，IoT 设备收集的数据被集中处理，但这种方法会导致延迟增加和通信成本上升。联邦学习 (FL) 作为一种有效的替代方案，允许在分布式设备之间进行模型训练，而无需集中数据。在许多应用中，如智能家庭能源和环境监测，来自不同位置的 IoT 设备收集的数据可能在趋势和季节性模式上存在显著差异。准确预测此类非平稳、非线性时序数据对于能耗估计和天气预报等应用至关重要。然而，这些数据差异可能严重影响预测准确性。本文的关键贡献包括：(1) 考察非线性、非平稳时序数据分布（如广义极值分布 gen-extreme 和对数正态分布）对 FL 性能的影响；(2) 分析不同的去趋势技术如何影响 FL 设置下预测模型的性能。我们生成了多个使用非线性数据分布的合成时序数据集，并使用中心化和 FL 方法训练了基于 LSTM 的预测模型。此外，我们评估了去趋势在具有非线性时序数据分布的真实数据集上的影响。我们的实验结果表明：(1) 在处理非线性数据分布时，FL 的性能不如中心化方法；(2) 合适的去趋势技术的使用可以提高 FL 性能，在不同数据分布下降低了损失。
引用
@article{arxiv.2507.11471,
title = {D3FL: Data Distribution and Detrending for Robust Federated Learning in Non-linear Time-series Data},
author = {Harsha Varun Marisetty and Manik Gupta and Yogesh Simmhan},
journal= {arXiv preprint arXiv:2507.11471},
year = {2025}
}
备注
Preprint of paper to appear in the proceedings of IEEE INTERNATIONAL CONFERENCE ON EDGE COMPUTING & COMMUNICATIONS EDGE 2025