F2STNet: Fair and Federated Spectral-Temporal Modeling for Graph Forecasting

📄 arXiv: 2608.09082v1 📥 PDF

作者: Jiayi Zhang, Jinfeng Xu, Hewei Wang, Siyuan Cen, Haidong Huang, Yiyao Zhan, Zheyu Chen, Jinjiang You, Ai Jian, Edith C. H. Ngai

分类: cs.LG

发布日期: 2026-08-10

备注: 13 pages

💡 一句话要点

提出F2STNet以解决图结构数据的时空预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 图结构数据 时空预测 联邦学习 公平性 深度学习 交通预测 环境监测

📋 核心要点

  1. 现有方法在处理去中心化和异构数据时，面临序列建模和协作训练的复杂性挑战。
  2. F²STNet通过结合图傅里叶特征、状态空间时间编码器和公平性感知聚合，提供了一种新的联邦预测框架。
  3. 在多个数据集上的实验结果显示，F²STNet在预测准确性和客户端公平性方面均有显著提升。

📝 摘要（中文）

在图结构数据上的时空预测对于交通预测和环境监测至关重要，但去中心化和异构数据使得序列建模和协作训练变得复杂。本文提出F²STNet，一个联邦预测框架，结合了截断图傅里叶特征、轻量级对角状态空间时间编码器、图卷积和公平性感知联邦聚合（FFA）。谱分支揭示了图频率结构，而状态空间层以线性复杂度建模长时间依赖。FFA根据客户端验证损失和逐步增加的公平性调度调整FedAvg。实验结果表明，在PeMS04、HZMetro和KnowAir数据集上，F²STNet相较于基线模型具有更好的预测准确性；在PeMS04上的联邦实验还改善了最差客户端和客户端分散度指标。

🔬 方法详解

问题定义：本文旨在解决图结构数据的时空预测问题，现有方法在处理去中心化和异构数据时，往往难以有效进行序列建模和协作训练。

核心思路：F²STNet的核心思路是结合图傅里叶特征和轻量级状态空间编码器，以提高长时间依赖建模的效率，同时引入公平性感知的联邦聚合策略，以确保不同客户端的公平性。

技术框架：F²STNet的整体架构包括四个主要模块：截断图傅里叶特征提取、对角状态空间时间编码器、图卷积层和公平性感知联邦聚合（FFA）。这些模块协同工作，以实现高效的时空预测。

关键创新：最重要的创新点在于引入了FFA机制，通过调整FedAvg算法，考虑客户端的验证损失和公平性调度，从而提升了模型在不同客户端间的公平性。

关键设计：在设计中，状态空间层采用了对角矩阵结构以降低计算复杂度，同时FFA的调度策略根据客户端的性能动态调整，确保了模型训练的公平性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在PeMS04、HZMetro和KnowAir数据集上的实验结果显示，F²STNet在预测准确性上相较于基线模型有显著提升，尤其是在最差客户端和客户端分散度指标上，联邦实验表现出更好的公平性和准确性。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、环境监测和城市规划等。通过提高图结构数据的时空预测能力，F²STNet能够为决策支持提供更准确的预测结果，进而推动相关领域的智能化发展。未来，该框架还可能扩展到其他类型的时空数据分析任务中。

📄 摘要（原文）

Spatiotemporal prediction on graph-structured data is central to traffic forecasting and environmental monitoring, yet decentralized and heterogeneous data complicate both sequence modeling and collaborative training. We propose F$^2$STNet, a federated forecasting framework that combines truncated graph-Fourier features, a lightweight diagonal state-space temporal encoder, graph convolution, and Fairness-aware Federated Aggregation (FFA). The spectral branch exposes graph-frequency structure, while the state-space layer models long temporal dependencies with linear complexity in the sequence length. FFA adjusts the FedAvg prior using client validation losses and an increasing fairness schedule. Experiments on PeMS04, HZMetro, and KnowAir show favorable forecasting accuracy relative to the evaluated baselines; federated experiments on PeMS04 additionally improve worst-client and client-dispersion metrics.