Buchumschlag

HSTFL: A Heterogeneous Federated Learning Framework for Misaligned Spatiotemporal Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cai, Shuowei, Liu, Hao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting
von: Dong, Zheng, et al.
Veröffentlicht: (2024)

Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting
von: Pham, Thien, et al.
Veröffentlicht: (2025)

LISA: Learning-Integrated Space Partitioning Framework for Traffic Accident Forecasting on Heterogeneous Spatiotemporal Data
von: An, Bang, et al.
Veröffentlicht: (2024)

T-Graphormer: Using Transformers for Spatiotemporal Forecasting
von: Bai, Hao Yuan, et al.
Veröffentlicht: (2025)

PPFL: A Personalized Federated Learning Framework for Heterogeneous Population
von: Di, Hao, et al.
Veröffentlicht: (2023)

PackVFL: Efficient HE Packing for Vertical Federated Learning
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Weather-Related Crash Risk Forecasting: A Deep Learning Approach for Heterogenous Spatiotemporal Data
von: Ogungbire, Abimbola, et al.
Veröffentlicht: (2026)

The Efficiency Frontier: Classical Shadows versus Quantum Footage
von: Ma, Shuowei, et al.
Veröffentlicht: (2025)

Federated Reinforcement Learning with Constraint Heterogeneity
von: Jin, Hao, et al.
Veröffentlicht: (2024)

A Multi-View Multi-Timescale Hypergraph-Empowered Spatiotemporal Framework for EV Charging Forecasting
von: Li, Jinhao, et al.
Veröffentlicht: (2025)

PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting
von: Wu, Hao, et al.
Veröffentlicht: (2026)

Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting
von: Guo, Zhuoning, et al.
Veröffentlicht: (2024)

A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis
von: Zhao, Xinglin, et al.
Veröffentlicht: (2025)

Fisher-Informed Parameterwise Aggregation for Federated Learning with Heterogeneous Data
von: Chang, Zhipeng, et al.
Veröffentlicht: (2026)

Learning from History: A Retrieval-Augmented Framework for Spatiotemporal Prediction
von: Jia, Hao, et al.
Veröffentlicht: (2025)

FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning
von: Yao, Yuan, et al.
Veröffentlicht: (2025)

PiXTime: A Model for Federated Time Series Forecasting with Heterogeneous Data across Nodes
von: Zhou, Yiming, et al.
Veröffentlicht: (2026)

Addressing Heterogeneity in Federated Load Forecasting with Personalization Layers
von: Bose, Shourya, et al.
Veröffentlicht: (2024)

Heterogeneous Federated Learning System for Sparse Healthcare Time-Series Prediction
von: Syu, Jia-Hao, et al.
Veröffentlicht: (2025)

FedFixer: Mitigating Heterogeneous Label Noise in Federated Learning
von: Ji, Xinyuan, et al.
Veröffentlicht: (2024)

Eagle: Efficient Training-Free Router for Multi-LLM Inference
von: Zhao, Zesen, et al.
Veröffentlicht: (2024)

Towards Scalable and Structured Spatiotemporal Forecasting
von: Chen, Hongyi, et al.
Veröffentlicht: (2025)

Vision-LLMs for Spatiotemporal Traffic Forecasting
von: Yang, Ning, et al.
Veröffentlicht: (2025)

Compute Or Load KV Cache? Why Not Both?
von: Jin, Shuowei, et al.
Veröffentlicht: (2024)

A Randomized Zeroth-Order Hierarchical Framework for Heterogeneous Federated Learning
von: Qiu, Yuyang, et al.
Veröffentlicht: (2025)

FedMoE: Personalized Federated Learning via Heterogeneous Mixture of Experts
von: Mei, Hanzi, et al.
Veröffentlicht: (2024)

A Behaviour-Aware Federated Forecasting Framework for Distributed Stand-Alone Wind Turbines
von: Li, Bowen, et al.
Veröffentlicht: (2026)

Federated Reinforcement Learning in Heterogeneous Environments
von: Hwang, Ukjo, et al.
Veröffentlicht: (2025)

Federated Learning for Financial Forecasting
von: Noseda, Manuel, et al.
Veröffentlicht: (2025)

Dynamic Modes as Time Representation for Spatiotemporal Forecasting
von: Kong, Menglin, et al.
Veröffentlicht: (2025)

Tackling Data Heterogeneity in Federated Time Series Forecasting
von: Yuan, Wei, et al.
Veröffentlicht: (2024)

Heterogeneous Federated Learning with Convolutional and Spiking Neural Networks
von: Yu, Yingchao, et al.
Veröffentlicht: (2024)

Spatiotemporal Forecasting as Planning: A Model-Based Reinforcement Learning Approach with Generative World Models
von: Wu, Hao, et al.
Veröffentlicht: (2025)

FedCCL: Federated Clustered Continual Learning Framework for Privacy-focused Energy Forecasting
von: Helcig, Michael A., et al.
Veröffentlicht: (2025)

Heterogeneity-aware Personalized Federated Learning via Adaptive Dual-Agent Reinforcement Learning
von: Chen, Xi, et al.
Veröffentlicht: (2025)

A Unified Framework for Heterogeneous Semi-supervised Learning
von: Heidari, Marzi, et al.
Veröffentlicht: (2025)

On the Value of Cross-Modal Misalignment in Multimodal Representation Learning
von: Cai, Yichao, et al.
Veröffentlicht: (2025)

Dynamic Clustering for Personalized Federated Learning on Heterogeneous Edge Devices
von: Liu, Heting, et al.
Veröffentlicht: (2025)

The Impact Analysis of Delays in Asynchronous Federated Learning with Data Heterogeneity for Edge Intelligence
von: Hao, Ziruo, et al.
Veröffentlicht: (2025)

Learning from Heterogeneity: A Dynamic Learning Framework for Hypergraphs
von: Zhang, Tiehua, et al.
Veröffentlicht: (2023)