AutoFed：通过个性化提示实现无需手动的联合流量预测

于红博

摘要: 准确的交通预测对于智能交通系统至关重要，包括打车、城市道路规划和车辆车队管理。然而，由于围绕交通数据存在重大隐私问题，大多数现有方法依赖于本地训练，导致数据孤岛和知识共享受限。联邦学习（FL）通过隐私保护的合作训练提供了有效的解决方案；然而，标准FL在客户端之间存在非独立和同分布（non-IID）问题。这一挑战导致了个性化联邦学习（PFL）的出现作为一个有前途的范例。然而，当前的PFL框架需要进一步适应交通预测任务，如专门的图特征工程、数据处理和网络架构设计。许多先前研究的一个显著局限是它们依赖于跨数据集的超参数优化，这些信息在现实场景中通常不可用，从而阻碍了实际部署。为了解决这一挑战，我们提出了AutoFed，一个新颖的用于交通预测的PFL框架，消除了手动超参数调整的需要。受提示学习的启发，AutoFed引入了一个联邦代表，该代表利用客户端对齐的适配器将本地数据提炼为一个紧凑的、全局共享的提示矩阵。这个提示然后作为一个个性化的预测器，允许每个客户端从跨客户端知识中受益，同时保持局部特定性。对真实世界数据集的广泛实验表明，AutoFed在各种场景下始终实现了卓越的性能。本文的代码可在 https://github.com/RS2002/AutoFed 找到。

更新时间: 2025-12-31 04:52:19

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2512.24625v1