研究人员推出了一种新颖的联邦学习框架F$^2$STNet，用于图结构时空预测。该模型集成了谱图-傅里叶特征、线性复杂度的状态空间时间编码器和图卷积层。为了解决去中心化环境中的数据异质性问题，F$^2$STNet采用了公平感知联邦聚合（FFA）机制，该机制改进了标准的FedAvg方法。在PeMS04、HZMetro和KnowAir等数据集上的实验表明，在联邦设置下预测精度和公平性得到了提高。 AI
影响 引入了一种用于时空图预测的联邦学习新方法，有望改进去中心化数据建模。
排序理由 该集群包含一篇详细介绍新模型和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
