AutoFed: Metodo di Prompt Adattivo per la Previsione Personalizzata del Traffico Federato

AutoFed ha lanciato una tecnica di apprendimento federato personalizzata mirata alla previsione del traffico, che affronta efficacemente le problematiche relative alla privacy e all'isolamento dei dati nei Sistemi di Trasporto Intelligenti. Questo approccio affronta la sfida dei dati non indipendenti e non identicamente distribuiti tra i clienti, una difficoltà comune per l'apprendimento federato convenzionale. L'Apprendimento Federato Personalizzato (PFL) è emerso come una soluzione praticabile per queste problematiche. Tuttavia, gli attuali framework PFL necessitano di ulteriori personalizzazioni per la previsione del traffico, come specifiche operazioni di feature engineering su grafi, gestione dei dati e progettazione di reti. Molti studi precedenti sono ostacolati dalla loro dipendenza dall'ottimizzazione degli iperparametri tra i clienti. Previsioni accurate del traffico sono cruciali per servizi come il ride-hailing, la pianificazione urbana e la gestione delle flotte di veicoli. Date le serie preoccupazioni sulla privacy legate ai dati sul traffico, la maggior parte dei metodi si basa su addestramento locale, il che limita la condivisione delle conoscenze. L'Apprendimento Federato rappresenta un'alternativa efficace consentendo un addestramento collaborativo che preserva la privacy.