论文比较三类生成模型在联邦预测性维护中的效用与通信权衡
资讯摘要
论文在联邦预测性维护场景下比较VAE、GAN与扩散模型用于无监督时间序列异常检测的表现，分析完全联邦与仅共享部分模型组件两种设置下的性能与通信开销，并基于拆分参数个性化联邦学习，将共享/私有参数划分映射到生成架构的分析与合成模块。作者在五个客户端和两个工业时间序列基准上实验，报告GAN类配置中完全联邦优于独立本地训练但鲁棒性弱于VAE与DDPM方案，扩散模型共享解码器可达到完全联邦效果并显著降低通信量。
要点速读
- 论文比较VAE、GAN、扩散模型在联邦预测性维护中的异常检测性能与通信开销
- 实验覆盖五个客户端、两个工业时间序列基准，考察完全联邦与部分参数共享两种设置
- 作者报告GAN类配置完全联邦优于本地独立训练但鲁棒性不及VAE和DDPM，扩散模型共享解码器可匹配完全联邦并大幅减少通信量
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。