FedDis：基于因果解耦的联邦交通预测框架
机器学习
2026-02-02 v1 人工智能
摘要
联邦学习为隐私保护的交通预测提供了前景，但其性能常受到分散交通数据非独立同分布 (non-IID) 性质的挑战。现有联邦方法常 struggle于数据异构性，通常将全局共享模式与客户端特定的本地动态纠缠于单一表示中。在本文中，我们假设这种异构性源于两种不同生成源的纠缠：客户端特定的局部动力学与跨客户端的全局时空模式。鼓励此观点，我们引入 FedDis，这是我们所知的第一个利用因果解耦进行联邦时空预测的框架。从结构上看，FedDis 包含双分支设计，其中 Personalized Bank 学习捕获客户端特定因素，而 Global Pattern Bank 从分离共同知识。这种分离使我们能够在保持高度对独特本地环境适应性的同时实现稳健的跨客户端知识传递。关键在于，采用了信息最小化目标，以强制两个分支之间信息正交，从而实现有效的解耦。在对四个真实世界基准数据集进行的全面实验表明，FedDis 在所有数据集上均实现了最先进的性能，展现出有力的效率和优异的可扩展性。
引用
@article{arxiv.2601.22578,
title = {FedDis: A Causal Disentanglement Framework for Federated Traffic Prediction},
author = {Chengyang Zhou and Zijian Zhang and Chunxu Zhang and Hao Miao and Yulin Zhang and Kedi Lyu and Juncheng Hu},
journal= {arXiv preprint arXiv:2601.22578},
year = {2026}
}