PiXTime: Federiertes Zeitreihenmodell für heterogene Datenstrukturen

In der Welt der Zeitreihenanalyse sind Daten oft wertvoll, aber schwer zu teilen. Das neue Modell PiXTime nutzt federated learning, um verteilte Daten ohne zentrale Speicherung auszuwerten und gleichzeitig die unterschiedlichen Sampling‑Standards und Variablensätze der einzelnen Knoten zu berücksichtigen.

PiXTime kombiniert ein personalisiertes Patch‑Embedding, das die zeitliche Granularität jedes Knotens in ein einheitliches Token‑Format überführt, mit einer globalen Variable‑Embedding‑Tabelle, die semantische Ähnlichkeiten zwischen den Variablen verschiedener Knoten abbildet. Ein gemeinsamer Transformer‑Ansatz verarbeitet die tokenisierten Daten, während Cross‑Attention die Vorhersage des Zielzeitreihens durch zusätzliche, nicht‑zielbezogene Serien verbessert.

In umfangreichen Experimenten über acht etablierte reale Datensätze erzielte PiXTime die beste Leistung in federated settings und übertraf bestehende Modelle deutlich. Die Ergebnisse zeigen, dass das Modell sowohl die heterogene Struktur als auch die unterschiedliche Granularität von Zeitreihen effektiv nutzt.

Mit PiXTime eröffnet sich ein neuer Ansatz für die Analyse von Zeitreihen in verteilten Umgebungen, der sowohl die Privatsphäre schützt als auch die Vorhersagegenauigkeit maximiert. Die Forschung liefert damit einen wichtigen Beitrag zur Weiterentwicklung von federated learning in der Zeitreihenanalyse.