基于联邦学习的时间序列预测算法

摘要

为应对不断升级的数据隐私保护需求，提出一种基于分布式场景下的时间序列预测算法。该算法主要改进体现在以下两个方面：在客户端模型本地训练阶段，通过正则化项约束本地模型训练方向，解决本地模型漂移问题；在全局模型聚合阶段，提出客户端贡献估计策略，根据客户端贡献程度分配权重，保护客户端协作公平性，提升全局模型泛化能力。为验证改进后算法有效性，在ETTh1数据集、ETTm1数据集和Weather数据集上将其与基线联邦学习算法FedAvg对比。试验结果表明，改进后算法在ETTh1数据集上均方误差E_MS平均降低2.99%,在ETTm1数据集上E_MS平均降低3.57%。在算法中加入正则化项和客户端贡献估计策略，E_MS分别下降0.84%和2.78%,同时加入这两个模块，E_MS降低3.03%,验证提出的算法在预测性能方面表现出更高预测准确性。

关键词

联邦学习 / 机器学习 / 时间序列预测 / 分布式系统 / 深度学习