English(EN) Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting

联邦学习框架\method将客户端视为不同的因果环境

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-28 04:00

研究人员引入了一个名为\method的新型联邦学习框架，旨在通过将每个客户端视为一个不同的因果环境来改进时空预测。这种方法利用客户端的异质性来捕捉共享的环境模式，超越了主要解决优化挑战的传统个性化方法。实验表明，\method的性能优于现有的联邦基线，提供了可迁移、可解释且通信效率高的环境表示。 AI

影响该框架可以提高分布式环境中时空预测模型的准确性和可解释性。

排序理由该集群包含一篇详细介绍新联邦学习方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

$联邦学习框架\method将客户端视为不同的因果环境$

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Qingxiang Liu, Anqi Liang, Heng Wang, Yuxuan Liang · 2026-07-28 04:00

Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting

arXiv:2607.24218v1 Announce Type: cross Abstract: Federated learning has emerged as a promising paradigm for spatio-temporal forecasting (STF), enabling collaborative model training without sharing raw observations. Existing federated STF methods primarily regard cross-client het…

报道来源 [1]

Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting

相关实体

相关话题