PulseAugur
中
实时 09:43:56

New framework personalizes federated adaptation for time-series models

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种个性化的联邦稀疏适应框架，用于时间序列基础模型（TSFMs），旨在通过解决私有、分布式电表数据的非独立同分布（non-IID）性质来改进能源预测。这种新方法利用了异构时间混合专家（MoE）适配器，其中一个序列级路由器会选择一组针对特定上下文窗口量身定制的专家。在50栋建筑和三个TSFM骨干模型上的实验表明，这种个性化策略在性能上持续优于全局联邦学习和本地适应方法，突显了客户端感知和骨干模型感知的适应的重要性。 AI

影响 这项研究通过改进分布式、非独立同分布（non-IID）时间序列数据的利用方式，有望实现更准确且注重隐私的能源预测。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于时间序列基础模型的新型适应框架。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

New framework personalizes federated adaptation for time-series models

报道来源 [2]

  1. Hugging Face Daily Papers TIER_1 English(EN) ·

    面向时间序列基础模型的个性化联邦稀疏自适应

    Federated adaptation of time-series foundation models (TSFMs) is attractive for building energy forecasting because meter data are private, distributed, and highly non-IID. However, a single parameter-sharing strategy is unlikely to serve all pretrained TSFMs or building clients:…

  2. arXiv stat.ML TIER_1 English(EN) · Priyanka Nihalchandani, Naman Srivastava, Varun Ojha, Pandarasamy Arjunan ·

    面向时间序列基础模型的个性化联邦稀疏自适应

    arXiv:2608.04695v1 Announce Type: cross Abstract: Federated adaptation of time-series foundation models (TSFMs) is attractive for building energy forecasting because meter data are private, distributed, and highly non-IID. However, a single parameter-sharing strategy is unlikely …

相关实体

相关话题