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。

May, 2023

信用风险预测对商业银行和其他金融机构在授予贷款和减少潜在损失方面起着关键作用。本研究调查了联邦学习在信用风险评估中的可行性，并展示了数据不平衡对模型性能的影响。通过使用多层感知机 (MLP)、长短期记忆网络 (LSTM) 和极限梯度提升 (XGBoost) 等不同架构，以及三个不同数据集和不同场景下的数据分布配置，我们证明了联邦模型在数据集较小的非主导客户上始终优于本地模型，在高度不平衡的数据场景中平均提高了 17.92% 的模型性能，然而对于数据更多的主导客户，联邦模型可能表现出较低的性能，因此需要针对这类客户提供特殊的激励以鼓励其参与。

Jan, 2024

该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

Feb, 2024

本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

Oct, 2022

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

该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

Apr, 2024

本文通过比较 IBMWeathergen、RGeneratePrec 两种天气生成器和 GAN、VAE 两种深度生成模型，初步比较了这些模型在多站点降水合成任务中的表现，并为深度学习架构和算法的设计提供了指南。

Jul, 2021

使用生成对抗网络生成高分辨率降水的合成降水集，而无需高分辨率训练数据，该集与欧洲中期天气预报中心集基本相同。

Apr, 2023

本文针对联邦学习中的数据不平衡问题，介绍了目前研究中针对该问题的进展，包括不需要真实数据的数据不平衡程度评估方法、数据不平衡处理方法及其优缺点、常用的评估指标，以及未来的研究方向。

Mar, 2023

本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

Apr, 2022