09:04官方账号arXiv cs.LG@Yixuan Zhao, Man Luo73°TransMod框架通过构建共享区域级空间表示,将不同空间粒度的交通系统对齐到共同空间。该模型能从数据丰富的源模式中学习可迁移的时空模式,并适应数据稀缺的目标模式。在真实世界数据集上的实验表明,TransMod在有限目标数据下表现优于现有方法。论文TransMod城市交通多模态推荐理由:TransMod解决了多模态交通预测难题,能在数据不足时从其他交通模式迁移知识,提升预测准确性。原文稍后读已读值得跟进有用关注 TransMod
09:17官方账号arXiv cs.AI@Maximilian Andreas Hoefler, Karsten Mueller, Wojciech Samek单轮联邦学习(OSFL)通过单次通信降低开销,但客户端数据分布差异大时模型质量难保证,现有合成数据方法缺乏形式化隐私保证。FedKT-CSD框架利用公开预训练自编码器作为共享潜在空间,客户端单次前向传递后计算类别条件潜在统计并传输,服务器安全聚合并添加$(ε,δ)$-差分隐私噪声后解码合成数据集。在多个数据集和异质性设置下,FedKT-CSD在隐私约束下性能与非隐私基线相匹敌甚至更优,并支持大规模客户端。论文FedKT-CSD联邦学习差分隐私推荐理由:这篇论文提出了FedKT-CSD,通过预训练自编码器生成合成数据,同时提供差分隐私保护,在异质性数据下性能不输无隐私方法。原文稍后读已读值得跟进有用关注 FedKT-CSD