Personalized Federated Vector Autoregression with Personalization Diversity
具有个性化多样性的个性化联邦向量自回归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：摘要直接研究高维向量自回归，并通过模拟及零售收入应用讨论预测表现。
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…
具有个性化多样性的个性化联邦向量自回归
- 研究问题
- 在异质客户端的高维时间序列中，如何区分共享与个性化动态结构，并同时获得联邦估计增益和客户端层面的精度？
- 方法与思路
- 作者提出个性化多样性原则，将转移矩阵分解为共享低秩、共享稀疏及个性化稀疏部分，采用跨客户端频率封顶阈值估计。
- 材料陈述的贡献
- 摘要称得到共享与个性化结构的分离阈值及联合线性收敛，并在足够多样性下保留共享部分的总样本量增益。
- 阅读关注点
- 应核对多样性与分布兼容条件、各分量的可识别性、频率阈值选择，并区分联合线性收敛与统计估计误差保证。
- 阅读边界
- 这是arXiv v1预印本，不能确认同行评审或接收；摘要未给具体阈值、误差界或预测数值，结论依赖所述条件。
原文摘要
Personalized federated learning can improve estimation for high-dimensional time series while preserving client-specific dynamics. However, parameter heterogeneity creates a fundamental ambiguity between shared and personalized structure. We introduce the principle of personalization diversity, under which genuinely personalized effects recur in only a limited fraction of clients. Based on this principle, we propose PerFeCT-VAR, Personalized Federated Vector Autoregression via Frequency-Capped Thresholding, which decomposes each client-specific transition matrix into shared low-rank dynamics, shared sparse links, and personalized sparse departures. A cross-client frequency cap yields a sharp shared--personalized separation threshold and motivates frequency-capped thresholding for federated estimation. Our theory further accounts for heterogeneous client distributions through a distributional compatibility condition and establishes joint linear convergence of the shared and personalized components. Under sufficient personalization diversity, the shared dynamics retain federated total-sample-size gains while the personalized components achieve client-level accuracy. Simulations and an application to multi-store retail revenue data demonstrate the predictive and interpretive benefits of the proposed framework.