AutoFed：自动化联邦交通预测

本文解决了在保护隐私的情况下使用联邦学习进行交通预测的挑战。它解决了标准FL和PFL的局限性，特别是手动调整超参数的需求，这阻碍了实际部署。提出的AutoFed框架利用提示学习来创建客户端对齐的适配器和全局共享的提示矩阵，从而在保持本地特异性的同时实现知识共享。本文的重要性在于它有可能在不损害数据隐私的情况下提高交通预测的准确性，并且它侧重于通过消除手动调整来实现实际部署。

• •提出了AutoFed，一种用于交通预测的新型个性化联邦学习（PFL）框架。
• •消除了手动超参数调整的需要，提高了实用性。
• •采用提示学习，具有客户端对齐的适配器和全局共享的提示矩阵。
• •在真实世界的数据集上实现了卓越的性能。