FeDaL：用于通用时间序列基础模型的数据聚合学习
机器学习
2026-03-17 v2
摘要
数据层面的异质性引入了显著的领域偏置，严重损害通用时间序列基础模型（TSFMs）的泛化能力，而这一挑战仍未得到充分探索。本文采用联邦学习范式，从头开始训练 TSFM，重新思考这一问题。我们提出了一种新颖的数据聚合学习（FeDaL）方法，以学习数据无关的时间表示来解决异质时间序列问题。具体而言，联邦学习的分布式架构是分解异质时间序列数据集为共享通用知识与保留个人化知识的自然解决方案。此外，基于 TSFM 架构，FeDaL 通过添加两个互补机制：领域偏置消除（Domain Bias Elimination, DBE）和全局偏置消除（Global Bias Elimination, GBE），显式缓解局部偏置和全局偏置。我们在覆盖八个任务（包括各种回归和分类）的真实数据集上广泛评估了 FeDaL 的跨数据集泛化性能，对 54 个基线方法进行了比较。进一步分析了联邦规模行为，阐明了数据volume、客户端数量和加入率如何影响去中心化环境下的模型性能。我们的代码已公开于 https://github.com/shengchaochen82/FeDaL
引用
@article{arxiv.2508.04045,
title = {FeDaL: Federated Dataset Learning for General Time Series Foundation Models},
author = {Shengchao Chen and Guodong Long and Michael Blumenstein and Jing Jiang},
journal= {arXiv preprint arXiv:2508.04045},
year = {2026}
}
备注
Accepted by ICLR 2026