PiXTime：一种面向节点间异构数据的联邦时间序列预测模型
机器学习
2026-05-26 v2 人工智能
摘要
尽管对分布式时间序列进行协作预测极具吸引力，但由于数据共享限制，直接汇集本地化数据集通常不切实际。联邦学习提供了一种有前景的替代方案，然而传统的联邦学习算法要求同构的模型架构，这与分散节点间常见的结构差异（如未对齐的时间分辨率和变量通道不匹配）不兼容。为弥合这一差距，我们提出了 PiXTime，一个新颖的基于 Transformer 的框架，旨在原生地适应并利用结构异构的时间数据。PiXTime 的核心采用参数解耦架构，策略性地将模型划分为本地化的个性化模块和全局聚合的共享骨干网络。具体而言，节点特定的本地模块充当维度适配器，将不同长度的原始序列投影到统一的表示空间。同时，全局同步的 VE 表将一致的类别身份注入特征空间，使共享骨干网络能够在不一致的变量分布上协作学习和泛化表示。在多个基准上的综合评估表明，PiXTime 在异构联邦环境中达到了最先进的性能，同时在标准的同构和集中式预测设置中保持了鲁棒的优越性。
引用
@article{arxiv.2601.05613,
title = {PiXTime: A Model for Federated Time Series Forecasting with Heterogeneous Data across Nodes},
author = {Yiming Zhou and Jiahao Wang and Mingyue Cheng and Hao Wang and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2601.05613},
year = {2026}
}