May, 2023

联邦气象预测的时空提示学习

PDF
TL;DR通过搭建一个基于联邦学习的时空气象数据预测分析框架，本研究在一个去中心化的环境下建立了一个空间 - 时间的气象数据模型，实现了低成本、高效率、安全共享的监督学习和知识融合。在共享大型的融合模型同时，每个参与者还可根据不同的地理位置获取个性化的定制模型来应对气候变化。实验结果表明，该方法可以有效地优化经典气象预测任务。
federated weather forecastingmeteorological dataspatial-temporalprompt learning frameworkclimate change
发现论文，激发创造
  • 基于联邦学习和生成对抗网络的气象预测中处理降水预测模型数据不平衡的分布式方法

    利用机器学习模型对天气数据进行分类，通过数据增强方法解决天气类别不平衡问题，以及在分散和联邦学习环境中训练模型，从而提高对罕见但关键的天气事件的准确性。

    Oct, 2023

  • 面向时空移动应用的联邦学习模型调查

    本文综述了现有文献中所提出的基于联邦学习的预测人类移动性、交通预测、社区探测、基于位置的推荐系统和其他时空任务的模型，阐述了这些模型所使用的指标和数据集，并与中心化模型进行比较。最后，讨论了在分散式学习中应用时空模型所面临的挑战，并提出了未来研究的机会和方向。

    May, 2023

  • FedRel: 一种用于时空图学习的自适应联邦相关性框架

    本文提出了一种自适应联邦关联框架，即 FedRel，在将原始空间 - 时间数据变换为高质量特征后，框架中的核心动态 Inter-Intra Graph (DIIG) 模块能够使用这些特征来生成能够捕捉这些图中隐藏的拓扑和长期时间相关信息的空间 - 时间图。为了提高模型的泛化能力和性能，同时保持本地数据的隐私，我们在我们的框架中设计了一个关联驱动的联合学习模块，以利用不同参与者的多样化数据分布，并集中聚合他们的模型。

    Jun, 2022

  • 平衡出租车需求预测中时空数据的隐私和实用性

    本文提出使用联邦学习在保护数据隐私和安全的同时，实现出租车需求预测，包括类别不平衡、数据稀缺等技术上的挑战，并通过地理编码、代价敏感学习和正则化等技术来提高预测精度。在 16 个租车服务提供商的真实世界数据集上，显示该系统相对于单个集成数据训练的模型可以精确预测出租车需求级别实际误差达到 1％，同时有效抵御了针对乘客数据的成员推断攻击。

    May, 2023

  • 5G 基站流量预测的联邦学习

    本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

    Nov, 2022

  • 基于 Transformer 的联邦学习的智能电网安全短期负荷预测

    本文介绍了一种基于 Transformer 的深度学习方法，利用联邦学习进行短期电力负荷预测，模型的性能超过了长短时记忆模型和卷积神经网络，是联邦学习中值得期待的一个替代方案。

    Oct, 2023

  • FedASTA：基于联邦式自适应时空关注机制的交通流量预测

    提出了一种新颖的联邦自适应时空注意力（FedASTA）框架，用于建模动态的时空关系。在客户端节点，FedASTA 从原始时间序列的分解项中提取时间关系和趋势模式。然后，在服务器节点上，FedASTA 利用来自客户端的趋势模式构建自适应时空感知图，捕捉客户之间的动态相关性。此外，我们设计了一个具有静态图和构建的自适应图的掩蔽空间注意力模块，以建模客户之间的空间依赖关系。在五个真实世界的公共交通流数据集上进行的广泛实验表明，我们的方法在联邦场景中取得了最先进的性能。此外，与其他流行的动态时空感知方法相比，在集中设置下的实验证明了我们的新颖自适应图构建方法的有效性。

    May, 2024

  • 基于双语义对齐的对比个性化联邦学习的时空预测方法

    使用对比学习方法的个性化联邦学习方法 FUELS，通过语义相似性自适应地对齐正负样本，从而在辅助对比任务中向潜在表示空间注入精确的时空异质性，实验证明 FUELS 在通信成本下降约 94％的同时优于现有方法。

    Apr, 2024

  • 具有群组感知提示调整的异构联邦学习

    在联邦学习中，我们利用预训练的 Transformer 和高效的提示调整策略，通过引入学习共享和组特定提示的概念，使全局模型能够自动适应各种局部客户数据分布，从而有效地弥合全局和个性化本地模型之间的差距，并超越以往无法适应之前未见客户的其他方法。

    Oct, 2023

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022