Fed-GAME：基于图注意力混合专家的有标签化联邦学习时间序列预测
机器学习
2026-03-03 v1 分布式、并行与集群计算
摘要
图上联邦学习在分布式时间序列预测方面显示出前景。然而，现有方法依赖静态拓扑结构，难以处理客户端异构性问题。我们提出 Fed-GAME 框架，将个性化聚合建模为在可学习的动态隐式图上的消息传递。核心是一种解耦的参数差异基更新协议，客户端传输其微调私有模型与共享全局模型之间的参数差异。在服务器端，这些差异被分解为两个流：(1) 用于更新全局模型以实现共识的平均差异；(2) 送入 novel 图注意力混合专家 (GAME) 聚合器进行精细化个性化。该聚合器中，共享专家提供评分信号，而个性化门对选择性更新进行自适应加权，以支持个性化聚合。在两个真实世界的电动汽车充电数据集上进行实验，表明 Fed-GAME 在性能上优于最先进的有标签化联邦学习基线方法。
引用
@article{arxiv.2603.01363,
title = {Fed-GAME: Personalized Federated Learning with Graph Attention Mixture-of-Experts For Time-Series Forecasting},
author = {Yi Li and Han Liu and Mingfeng Fan and Guo Chen and Chaojie Li and Biplab Sikdar},
journal= {arXiv preprint arXiv:2603.01363},
year = {2026}
}