Private Federated Learning for High-dimensional Time Series
高维时间序列的隐私保护联邦学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究高维向量自回归，并用于跨国宏观预测和美国各州电力与经济联系，直接对应时间序列与宏观预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维时间序列的隐私保护联邦学习
- 研究问题
- 当多个客户端的高维时间序列具有共享动态与个体差异时，如何在保护数据隐私的同时改善参数估计和宏观预测？
- 方法与思路
- 作者将各客户端的向量自回归分解为共同低秩结构与稀疏偏离，先进行差分隐私表示学习，再实施本地个性化调整。
- 材料陈述的贡献
- 摘要称，论文建立非渐近误差界并证明岭型秩选择准则的一致性；模拟和两项应用显示联邦估计及预测有所改善。
- 阅读关注点
- 应核对共享低秩与稀疏偏离的条件、选择性隐私约束的具体范围，以及秩选择证明和预测比较中的样本划分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明隐私预算、误差界条件及预测改善的具体幅度。
原文摘要
In the era of big data, leveraging information from multiple clients while preserving data privacy has emerged as a critical challenge in modern statistical modeling and forecasting. This paper introduces a privacy-preserving federated learning framework for high-dimensional vector autoregressive models, where each client's dynamics are characterized by a common low-rank structure augmented with sparse client-specific deviations. We develop a two-stage estimation procedure that integrates differentially private representation learning for the shared component with local personalization for client-specific adjustments, enabling effective information pooling under selective privacy constraints. Non-asymptotic error bounds are established for both the single-client and federated estimators to characterize the inherent privacy-utility trade-off, and consistency of a ridge-type rank selection criterion is proved. Simulation studies demonstrate that federation substantially improves estimation accuracy when local sample sizes are limited. Two empirical applications to analyzing electricity-economy linkages across U.S. states and conducting multi-task macroeconomic forecasting across countries, highlight the superior predictive accuracy of the proposed method over existing single-client benchmarks.