AutoFed: 適応提示によるパーソナライズされたフェデレーテッド交通予測

arXiv:2512.24625v2 発表型：置き換え 摘要： 正確な交通予測は、ライドシェア、都市道路計画、車両fleet管理等知能交通システム (ITS) に不可欠です。しかし、交通データに関する深刻なプライバシー懸念により、既存の多くの手法はローカルトレーニングに依存しており、これがデータの隔離と限られた知識共有を招いています。フェデレーテッドラーニング (FL) は、プライバシー保護協調トレーニングを通じて効率的な解決策を提供しますが、標準的な FL はクライアント間における独立同分布 (non-IID) 問題に直面します。この課題は、パーソナライズされたフェデレーテッドラーニング (PFL) が有望なパラダイムとして登場したことを導き出しました。しかし、現在の PFL フレームワークは、専用グラフ特徴工学的処理、データ処理、およびネットワークアーキテクチャ設計など、交通予測タスクへのさらなる適応が必要とされています。多くの先鞭の研究における顕著な限界は、データセット全体にわたるハイパーパラメータ最適化への依存であり、これは実世界シナリオでは頻繁に見られない情報であるため、実用的なデプロイを阻害しています。この課題に対処するため、私達は手動のハイパーパラメータ調整の必要性を排除する、交通予測用の新たな PFL フレームワークである AutoFed を提案します。提示学習に着想を得て、AutoFed はクライアント同期アダプターを用いてローカルデータをコンパクトな共有提示行列へ絞り込むフェデレーテッドレプレゼンターを導入します。この提示行列はパーソナライズされた予測子を条件付けさせ、各クライアントはクロスクライアントの知識を利用しつつローカルの特定性を維持できます。大規模な実験は、実世界データセット上で AutoFed が異なるシナリオにわたって一貫して優れた性能を示したことを示しています。本論文のコードは https://github.com/RS2002/AutoFed に提供されています。

arXiv:2512.24625v2 Announce Type: replace Abstract: Accurate traffic prediction is essential for Intelligent Transportation Systems, including ride-hailing, urban road planning, and vehicle fleet management. However, due to significant privacy concerns surrounding traffic data, most existing methods rely on local training, resulting in data silos and limited knowledge sharing. Federated Learning (FL) offers an efficient solution through privacy-preserving collaborative training; however, standard FL struggles with the non-independent and identically distributed (non-IID) problem among clients. This challenge has led to the emergence of Personalized Federated Learning (PFL) as a promising paradigm. Nevertheless, current PFL frameworks require further adaptation for traffic prediction tasks, such as specialized graph feature engineering, data processing, and network architecture design. A notable limitation of many prior studies is their reliance on hyper-parameter optimization across datasets-information that is often unavailable in real-world scenarios-thus impeding practical deployment. To address this challenge, we propose AutoFed, a novel PFL framework for traffic prediction that eliminates the need for manual hyper-parameter tuning. Inspired by prompt learning, AutoFed introduces a federated representor that employs a client-aligned adapter to distill local data into a compact, globally shared prompt matrix. This prompt then conditions a personalized predictor, allowing each client to benefit from cross-client knowledge while maintaining local specificity. Extensive experiments on real-world datasets demonstrate that AutoFed consistently achieves superior performance across diverse scenarios. The code of this paper is provided at https://github.com/RS2002/AutoFed .