面向工业预测分析的异构感知个性化联邦学习
机器学习
2026-04-22 v1 机器学习
摘要
联邦预测使客户（例如公司、工厂和生产线）能够在保持每个客户数据本地且机密的同时，协作开发失效时间预测模型。然而，传统的联邦模型通常假设各客户的退化过程具有同质性，这一假设在许多工业场景中可能并不成立。为克服这一问题，本文提出了一种个性化联邦预测模型，旨在适应具有异构退化过程的客户，允许其构建量身定制的预测模型。该预测模型迭代地促进具有相似退化模式的客户之间的底层成对协作，从而增强个性化联邦学习的性能。为了利用去中心化数据集联合估计参数，我们开发了一种基于近端梯度下降的联邦参数估计算法。所提方法通过同时实现模型个性化、保护数据隐私以及提供全面的失效时间分布，解决了现有联邦预测模型的局限性。通过广泛的仿真研究以及使用 NASA 仓库中涡扇发动机退化数据集的案例研究，验证了所提模型的优越性。
引用
@article{arxiv.2604.19451,
title = {Heterogeneity-Aware Personalized Federated Learning for Industrial Predictive Analytics},
author = {Yuhan Hu and Xiaolei Fang},
journal= {arXiv preprint arXiv:2604.19451},
year = {2026}
}