Adattamento Sparso Federato Personalizzato dei Modelli Fondazionali di Serie Temporali

È stato introdotto un nuovo framework per l'apprendimento federato personalizzato dei modelli fondazionali di serie temporali (TSFM), specificamente mirato alla previsione del consumo energetico negli edifici. Questo approccio affronta il problema della modifica dei TSFM pre-addestrati per dati di contatori distribuiti, privati e non-IID provenienti da diversi edifici. Presenta un adattatore eterogeneo di miscela di esperti temporale (MoE) posizionato dopo la rappresentazione TSFM pre-addestrata, utilizzando un router a livello di sequenza che assegna ogni finestra di contesto di 168 ore a un gruppo selezionato di esperti top-k focalizzati su periodicità, interazioni a lungo raggio, variazioni locali, strutture di residuo di tendenza e comportamenti multi-risoluzione. La ricerca valuta l'apprendimento federato globale (FL), l'addestramento locale e i metodi FL personalizzati con banche di esperti condivise globalmente o specifiche del cliente, basati su esperimenti condotti in 50 edifici, mostrando il successo della tecnica di adattamento sparso personalizzato.