May, 2024

FedASTA：基于联邦式自适应时空关注机制的交通流量预测

PDF
TL;DR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。
federated learningspatial-temporal dynamicsgraph neural networkspatial-temporal relationsfederated adaptive spatial-temporal attention
发现论文，激发创造
  • 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

  • 基于滤波感知的联合学习的能量激活

    FedOFA 是一种利用个性化的正交滤波器注意力进行参数重新校准的方法，在服务器端运行，不会给客户端增加额外的计算成本，在通信受限的情况下具有优势，并通过引入注意力引导的剪枝策略，以降低通信成本而不损失性能。

    Nov, 2023

  • 交通流预测的自适应图空时转换网络

    该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

    Jul, 2022

  • FedAST: 分布式异步同时训练

    提出了一个缓冲异步联邦同时训练算法 FedAST，通过克服模型缓慢和自适应分配异构任务的客户资源来解决瓶颈问题，实验证明与现有同时联邦学习方法相比，能够达到多任务训练时间的最多 46.0% 的减少。

    Jun, 2024

  • 基于动态注意力的通信高效联邦学习

    本文提出了一种自适应训练算法 AdaFL，该算法通过注意力机制和动态分数方法来平衡性能稳定性和通信效率，实验结果表明相对于 FedAvg 算法，AdaFL 算法在模型精度、性能稳定性和通信效率三个方面都有很大的提高。

    Aug, 2021

  • FedALA：用于个性化联邦学习的自适应本地聚合

    本文提出了一种改进的联邦学习方法 ——FedALA，通过 Adaptive Local Aggregation (ALA) 模块，适应性地聚合下载的全局模型和本地模型，初始化每个客户端上的本地模型，并进行训练，实验结果表明，FedALA 在计算机视觉和自然语言处理等五个基准数据集上超过了 11 种现有技术的 baselines，提高了最高达 3.27％的测试准确性，同时我们还将 ALA 模块应用于其他联邦学习方法，实现了最高达 24.19％的测试准确性提高。

    Dec, 2022

  • PASTA：并行时空关注与空间自相关门控用于细粒度人群流预测

    该研究提出了一种通过建模细粒度城市范围内历史人流的时空模式来预测未来城市范围内人流的方法，利用一种名为 PASTA 的神经网络来准确捕捉细粒度地图的不规则时空模式，实验结果表明我们的模型在存在不规则空间区域的复杂条件下表现优于其他基准模型，并提供定性分析以得出模型高度关注的关键时间信息。

    Oct, 2023

  • 基于移动传感器的分散式数据融合与主动感知技术在时空交通现象建模与预测中的应用

    本文提出了一种针对城市道路网络的分散数据融合和主动感知算法，可以有效、可扩展地预测交通现象，实证评估结果表明该算法具有显著的时间效率和可扩展性，并且预测性能与最先进的集中式算法相当。

    Aug, 2014

  • 本地注意力的个性化联邦学习

    在联邦学习中，为了解决不同客户端的局部数据异构性所带来的性能下降问题，提出了一种名为 pFedLA 的简单而有效的算法，该算法通过将关注机制纳入客户端的个性化模型，并保持关注块客户化，从而在任何联邦学习方法中提高其性能。

    Apr, 2023