FedSTMeta：一个自适应的联邦元学习框架，用于跨领域的异构时空智能应用

《Knowledge-Based Systems》：FedSTMeta: A Self-Evolving Federated Meta-Learning Framework for Cross-Domain Heterogeneous Spatio-Temporal Intelligence

　　

Cecheng Xu|Guangyu Zhao|Jilong Tang|Yongcai Tong|Yang Yang

摘要

在智能交通系统（ITS）中，交通流量预测是一项关键技术，它能够提升城市交通效率并缓解拥堵问题。然而，传统的集中式方法面临着诸多挑战，包括数据隐私风险、跨区域数据共享受限以及模型泛化能力不足。虽然联邦学习（FL）为保护隐私提供了有前景的解决方案，但现有方法在处理异构交通模式、适应动态网络拓扑结构以及提供模型可解释性方面仍存在根本性局限。为了解决这些问题，我们提出了FedSTMeta，这是一个自适应的联邦元学习框架，专门用于跨领域的异构时空智能研究。与将元学习、神经架构搜索和因果推断视为独立模块的现有方法不同，FedSTMeta通过闭环交互机制系统地整合了这三个核心组件。

相关新闻