联邦学习中时间序列预测的最优回溯时域
机器学习
2026-01-06 v3 人工智能
摘要
选择合适的回溯时域仍是时间序列预测(TSF)中的根本挑战，尤其是在数据去中心化、异构且常非独立的联邦学习场景中。虽然最近的工作探索了通过保持预测相关信息来选择时域，构建这些方法主要局限于集中式和独立分布的设置。本文提出一种针对联邦时间序列预测的自适应时域选择的原则框架，通过内在空间公式化实现。我们引入合成数据生成器(SDG)，捕获客户数据中的关键时序结构，包括自回归依赖、季节性和趋势，同时纳入客户特定的异构性。基于此模型，我们定义将时间序列窗口映射到具有明确几何和统计性质的内在表示空间的转换。我们 then派生出预测损失分解为贝叶斯项（反映不可归约的不确定性）和近似项（accounts for finite-sample effects and limited model capacity）。我们的分析表明，增加回溯时域可提高确定性模式的可识别性，但也因模型复杂度增加和样本效率降低而增加近似误差。我们证明，总预测损失在不可归约损失开始饱和且近似损失继续上升的最小时域处最小化。本工作为联邦学习中时间序列预测的自适应时域选择提供了严格的理论基础。
引用
@article{arxiv.2511.12791,
title = {Optimal Look-back Horizon for Time Series Forecasting in Federated Learning},
author = {Dahao Tang and Nan Yang and Yanli Li and Zhiyu Zhu and Zhibo Jin and Dong Yuan},
journal= {arXiv preprint arXiv:2511.12791},
year = {2026}
}
备注
Accepted by AAAI-26 as Oral Presentation