TIME - FFM：探索时序预测任务上的联邦学习框架

已于 2025-04-14 17:01:00 修改
阅读量1.4k 收藏 31
点赞数 30
分类专栏： 文章解读 LLMs 文章标签： 人工智能
于 2024-12-08 15:14:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_60890610/article/details/144325453
版权

出处： NIPS 2024

代码：GitHub - yuppielqx/Time-FFM

一  提出动机

1. 贡献：

(1) 首次尝试：利用 LMs 的序列推理潜力，构建用于时间序列预测的联邦 FM ，避免数据泄露，守护数据隐私安全；

(2) 提出 TIME - FFM，将时间序列数据与自然语言的模态对齐；自适应地确定提示以指导 LM 进行时间序列推理；

(3) 引入了个性化的 FL 策略，在共享统一的时序知识、确保定制的预测结果之间取得平衡。

（PS. LM - 语言模型）

2. 动机：

3. 现存问题 及 解决方法：

(1) Heterogeneous inputs: Cross-domain time series data input into the FM are heterogeneous in terms of dimensions and hi

最低0.47元/天 解锁文章
David Silver的强化学习Reinforcement Learning课程PPT
12-18
David Silver的强化学习课程PPT Lecture 1: Introduction to Reinforcement Learning Lecture 2: Markov Decision Processes Lecture 3: Planning by Dynamic Programming Lecture 4: Model-Free Prediction Lecture 5: Model-Free Control Lecture 6: Value Function Approximation Lecture 7: Policy Gradient Methods Lecture 8: Integrating Learning and Planning Lecture 9: Exploration and Exploitation Lecture 10: Case Study: RL in Classic Games
Deep Reinforcement Learning by David Silver, Google DeepMind
04-12
强化学习经典入门资料，Deep Reinforcement Learning by David Silver, Google DeepMind。
David silver 强化学习公开课笔记（四）：Model-Free Prediction
taoyafan的博客
08-28 899
  0 废话 好多天没写博客，不过也没闲着，把李宏毅老师的课看完了，但是就是不想总结，总觉得太费时间，回宿舍了看看他的机器学习，算是再补补基础吧，发现有一些内容还是之前没学过的，反正老师讲的有趣，看着挺好玩的。伯克利的强化学习看了两集，因为作业要申请mujoco，又发现了一个github上的一个好项目，链接为：https://github.com/dennybritz/reinforcemen...
Reinforcement Learning by David Silver 学记记录
weixin_30865427的博客
03-27 89
https://www.bilibili.com/video/av10576305/ 3/26/2018 NO.1 3/27/2018 NO.2 3/28/2018 NO.3 3/29/2018 NO.4-5 3/30/2018 NO.6 4/1/2018 NO.7 4/2/2018 NO.8 4/3/2018 NO....
Reinforcement Learning_By David Silver笔记九: Exploration and Exploitation
wang2008start的专栏
12-11 375
Exploration and Exploitation
Reinforcement_Learning_Tutorials_in_Chinese:强化学习，中文教程
05-14
Reinforcement_Learning_Tutorials_in_Chinese 强化学习中文教程 这个GitHub Repo是我个人在学习强化学习过程中所做的笔记。 如果发现任何错误或者有任何的建议，欢迎issue或者联系我： 或者 索引 1. 强化学习基础...
Deep_reinforcement_learning_Unity_Tennis:这款笔记本采用深度强化学习来解决Unity网球环境
03-14
深度强化学习(Deep Reinforcement Learning, DRL)是一种人工智能技术，它结合了深度学习和强化学习的优势，使得智能体能够通过与环境的交互学习最优策略。在这个特定的项目"Deep_reinforcement_learning_Unity_...
reinforcement_learning_specialisation_notes:强化学习专家的笔记
03-19
强化学习笔记简介 我的来自Coursera和艾伯塔大学的。 它们都包含漂亮的$ \ LaTeX $公式。 如果在上方看到$\LaTeX$而不是格式精美的文字，则建议使用。 我从课程1的第一周顶部列出的资料中自由地提取了文本和公式。 ...
Deep_reinforcement_learning_Course：免费课程使用Tensorflow和PyTorch进行深度强化学习的实现
02-05
:video_camera: [文章：Q-Learning，让我们创建一个自主的出租车 :oncoming_taxi: （第2/2部分）] :calendar: 星期五 :calendar: :video_camera: [视频：Q-Learning，让我们创建一个自主的出租车 :oncoming_taxi: ...
neural_architecture_search_with_reinforcement_learning_appendix_a:附录A（具有增强学习功能的神经体系结构搜索）的实施
04-30
cd neural_architecture_search_with_reinforcement_learning_appendix_a git submodule init git submodule update 怎么跑 python main.py -p ./ -g 0 有关我的实施的详细信息 除某些部分外，所有超参数和网络体系...
Google DeepMind的David Silver的强化学习课程讲义
10-19
早在2015年，DeepMind就在youtube上发布了围棋程序master的主要作者David Silver主讲的一套强化学习视频公开课，较为系统、全面地介绍了强化学习的各种思想、实现算法。其一套公开课一共分为十讲，每讲平均为100分钟。
David Silver《Reinforcement Learning》课程解读—— Lecture 4： Model-Free Prediction
科大一小僧
06-22 1029
David Silver《Reinforcement Learning》课程解读—— Lecture 4： Model-Free PredictionDP动态规划能够解决已知environment的MDP问题，即已知S,A,P,R,γ S,A,P,R,γ，根据是否已知policy又将问题划分为prediction和control的问题。本质上来说这种known MDP问题已知environment即
David silver 的 reinforcement learning 课程笔记（二）：马尔科夫决策过程
u012937021的博客
02-27 692
最近在学增强学习，边看课程视频编写的总结。希望和大家一起讨论学习…Markov Process状态 ss是马尔科夫的但且仅当: P(S(t+1)|St）=P(St+1|S1,...,St)P(S_{(t+1)}|S_t）=P(S_{t+1}|S_1,...,S_t) 一个马尔科夫过程可以用一个二元组(S,P) (S,P) 定义，其中S为有限的状态的集合，P为转移矩阵。对于一个马尔科夫过程一个样
David Silver《Reinforcement Learning》课程解读—— Lecture 2： Markov Decision Process
科大一小僧
06-02 2738
David Silver《Reinforcement Learning》课程解读 Section 2Lecture 2： Markov Decision ProcessMDPs正式描述了强化学习的环境，几乎所有的强化学习问题都可以描述为MDPs。1. Markov Process 用于描述RL的环境，该环境完全可观（如当前状态完整描述了整个过程）。 特性无后效/ 记忆性 状态转移矩阵Pss′P_{s
【David Silver强化学习公开课之一】强化学习入门
omnispace的博客
07-04 3567
本文是David Silver强化学习公开课第一课的总结笔记。第一课主要解释了强化学习在多领域的体现，主要解决什么问题，与监督学习算法的区别，完整的算法流程由哪几部分组成，其中的agent又包含什么内容，以及解释了强化学习涉及到的一些概念。 【转载请注明出处】chenrudan.github.io 本文是David Silver强化学习公开课第一课的总结笔记。第一课主要解释了强化学习在
深度学习笔记——理论与推导之Reinforcement Learning（十三）
Dream come ture~
08-16 8135
Reinforcement Learning（强化学习）Reinforcement Learning 机器学习的分支： 有监督学习是机器学习任务的一种，它从有标记的训练数据中推导出预测函数。有标记的训练数据是指每个训练实例都包括输入和期望的输出。即：给定数据，预测标签。 无监督学习是机器学习任务的一种，它从无标记的训练数据中推断结论。最典型的无监督学习就是聚类分析，它可以在探索性数据分析阶段用于
David Silver强化学习课程笔记（四）
微念的博客
10-14 5035
第四课：模型无关的预测         在进入正题之前，先说点题外话哈，等《David Silver课程学习笔记》系列更新完成之后，我们将会更新《PRML学习笔记》以及《RL学习笔记》，到时候希望大家多多指教哟～           在第三课中，我们介绍了动态规划方法（DP），提到DP既可用于预测，也可用于控制，但是不管怎么说，这种方法总是离不开模型的：                ...
David Silver《Reinforcement Learning》课程解读—— Lecture 1： Introduction to Reinforcement Learning
科大一小僧
05-30 4976
David Silver《Reinforcement Learning》课程解读前段时间学习了UCL讲师、AlphaGo项目的主程序员David Silver的课程Reinforcement Learning，手写了30多页学习笔记，可以说学得很浅，整个知识网络掌握得不够有连贯性，为了将整个课程的体系做一个梳理，写下此篇博文。课程ppt和视频资料在网上很容易搜索，此处不再提供。课程目录： Lectu
强化学习入门经典：Reinforcement Learning_An Introduction
《强化学习：一个介绍》(Reinforcement Learning: An Introduction) 是一本由 Richard S. Sutton 和 Andrew G. Barto 所著的英文专业书籍，该书属于第二版，但仍在修订中。截止日期为2017年11月5日。本书的主要内容...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值