面向特征和时间错配数据的联邦时间序列生成
机器学习
2025-08-15 v3 分布式、并行与集群计算
摘要
分布式时间序列数据对联邦学习提出了挑战，因为客户端通常拥有不同的特征集且时间步长错位。现有的联邦时间序列模型受限于客户端之间完美时间或特征对齐的假设。在本文中，我们提出了FedTDD，一种新颖的联邦时间序列扩散模型，它联合学习跨客户端的合成器。FedTDD的核心是一个新颖的数据蒸馏和聚合框架，该框架通过插补错位的时间步长和特征来协调客户端之间的差异。与传统联邦学习相比，FedTDD通过交换本地合成输出而非模型参数来学习客户端时间序列之间的相关性。协调器通过利用来自客户端的共享知识（通过交换合成数据）迭代地改进全局蒸馏器网络。随着蒸馏器随时间变得更加精细，它随后提高了客户端本地特征估计的质量，使得每个客户端能够使用最新的、更准确的蒸馏器来改进其本地对缺失数据的插补。在五个数据集上的实验结果证明了FedTDD相对于集中式训练的有效性，以及共享合成输出以传递本地时间序列知识的有效性。值得注意的是，在Context-FID和相关性得分方面，FedTDD比本地训练分别提高了79.4%和62.8%。
引用
@article{arxiv.2410.21072,
title = {Federated Time Series Generation on Feature and Temporally Misaligned Data},
author = {Zhi Wen Soi and Chenrui Fan and Aditya Shankar and Abele Mălan and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2410.21072},
year = {2025}
}