arXiv cs.AI· Usevalad Milasheuski, Piero Baraldi, Enrico Zio, Stefano Savazzi·· 13 小时前AI 评分18
联邦预测性维护系统中端侧生成模型的权衡分析
On the Tradeoffs of On-Device Generative Models in Federated Predictive Maintenance Systems
AI 导读
研究系统分析了 VAE、GAN 与扩散模型在联邦预测性维护场景下的性能与通信开销，覆盖完全联邦与部分联邦两种设置，并在五个客户端、两个工业时间序列基准上验证。结果显示，GAN 配置下完全联邦相比独立本地训练能提升最终异常检测效果，但鲁棒性仍弱于 VAE 和 DDPM 方案；对扩散模型而言，仅共享解码器即可达到与完全联邦相当的效果，同时大幅降低通信负载。
正文 · AI 翻译
摘要：联邦学习（FL）已成为一种有前景的范式，用于在分布式物联网（IoT）环境中保持客户端数据所有权和控制权。虽然判别式模型主导了大多数 FL 用例，但生成模型的最新进展——如变分自编码器（VAE）、生成对抗网络（GAN）和扩散模型（DM）——为时间序列分析中的无监督异常检测提供了新机遇，并在关键工业基础设施的预测性维护（PdM）中具有相关应用。在本工作中，我们对联邦 PdM 背景下的 VAE、GAN 和 DM 进行了全面分析。我们分析了它们在完全联邦和部分联邦设置下的性能和通信开销，其中部分联邦仅共享模型组件的子集。基于拆分参数个性化 FL，本文为无监督生成式时间序列异常检测（TSAD）提供了共享/私有参数划分的实证实例化，将拆分映射到生成架构中的分析和合成模块。我们在五个客户端和两个工业时间序列基准上的实验揭示了异构跨孤岛 FL 中模型效用、稳定性和通信效率方面的明显权衡。对于所评估的基于 GAN 的配置，完全联邦相对于独立本地训练提高了最终异常检测效用，尽管这些模型仍不如基于 VAE 和 DDPM 的替代方案稳健。对于 DM，解码器共享可达到与完全联邦相当的效果，同时大幅减少通信负载。
| 评论： | 发表于 IEEE Internet of Things Journal，2026 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.07860 [cs.LG] |
| （或此版本的 arXiv:2605.07860v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.07860 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | IEEE Internet of Things Journal，2026 |
| 相关 DOI： | https://doi.org/10.1109/JIOT.2026.3739066
链接到相关资源的 DOI |
提交历史
来自：Usevalad Milasheuski [查看电子邮件]
[v1]
2026年5月8日星期五 15:20:22 UTC（2,782 KB）
[v2]
2026年10月27日星期二 10:33:35 UTC（2,325 KB）
来源：arXiv cs.AI · arxiv.org