面向联邦预测性维护系统中嵌入式生成模型的权衡
机器学习
2026-05-11 v1 人工智能
摘要
联邦学习 (FL) 已成为一种有前景的范式，用于保留客户端数据所有权并控制分布式物联网 (IoT) 环境。尽管判别式模型占据大多数 FL 用例，但近期生成模型的进展——如变分自编码器 (VAE)、生成对抗网络 (GAN) 和扩散模型 (DM)——为基于时间序列分析的无监督异常检测提供了新机会，具有预测性维护 (PdM) 在关键基础设施中的相关应用。在本文中，我们对 VAE、GAN 和 DM 在联邦 PdM 语境中的表现进行了全面分析。在完全和部分联邦设置下分析其性能和通信开销，其中只有模型的子集被共享。基于这一分析，本文提出了一种新型联邦生成模型分类法，将部分组件共享 formalize 为模型个人化的原则机制。我们的实验在真实世界时间序列数据集上揭示了模型效用、稳定性和可扩展性之间存在明显的权衡，尤其是在异构且受带宽约束的 FL 环境中。对于所评估的 GAN-based 配置，完全联邦化相对于独立本地训练改善了训练稳定性，尽管模型仍不如 VAE 和 DDPM-based 方案的鲁棒性强。在 DM 的情况下，部分联邦化——特别是解码器共享——在带宽受限且非独同分布 (non-IID) 环境下可以优于完全联邦化。
引用
@article{arxiv.2605.07860,
title = {On the Tradeoffs of On-Device Generative Models in Federated Predictive Maintenance Systems},
author = {Usevalad Milasheuski and Piero Baraldi and Enrico Zio and Stefano Savazzi},
journal= {arXiv preprint arXiv:2605.07860},
year = {2026}
}