English(EN) Federated Learning of Nonlinear Temporal Dynamics with Graph Attention-based Cross-Client Interpretability

联邦学习框架解读跨客户端的非线性时间动力学

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-21 04:00

研究人员开发了一个新的联邦学习框架，旨在解读去中心化非线性系统中的时间依赖性。该方法允许客户端将局部观测映射到潜在状态，然后由中央服务器利用这些状态学习一个图结构模型。该框架通过将学习到的转移模型的雅可比矩阵与注意力系数相关联来提供可解释性，为理解跨客户端的时间关系提供了一种新颖的方式。理论收敛保证和实验验证证明了其在合成和真实场景中的有效性。 AI

影响引入了一种理解去中心化非线性系统的新方法，有望改善工业环境中的监控和控制。

排序理由该集群包含一篇详细介绍新联邦学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

Ayush Mohanty

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

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Ayse Tursucular, Ayush Mohanty, Nazal Mohamed, Nagi Gebraeel · 2026-05-21 04:00

Federated Learning of Nonlinear Temporal Dynamics with Graph Attention-based Cross-Client Interpretability

arXiv:2602.13485v2 Announce Type: replace-cross Abstract: Networks of modern industrial systems are increasingly monitored by distributed sensors, where each system comprises multiple subsystems generating high dimensional time series data. These subsystems are often interdepende…

报道来源 [1]

Federated Learning of Nonlinear Temporal Dynamics with Graph Attention-based Cross-Client Interpretability

相关话题