研究揭示联邦时间序列预测中静态上下文的学习瓶颈

2026年11月5日，发表于arXiv cs.LG的一手研究针对联邦时间序列预测中的静态上下文学习进行了探讨。研究表明，逐批次聚合的Per-batch FedAdam能够有效利用区分序列的静态输入，其预测效果接近中心化训练，且在所有测试数据集上均达到或超过本地模型水平。相比之下，采用本地轮次的FedAvg与FedAdam+Prox则难以有效提取静态特征，未能带来显著收益。该结论已在建筑能源、风力发电及合成数据集上得到验证，并适用于包括Temporal Fusion Transformer（TFT）在内的多种模型架构。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。