모든 클라이언트는 환경이다: 공간-시간 예측을 위한 연합 탈혼동 프레임워크

Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting

연합 학습은 원시 데이터를 공유하지 않고도 협력적인 모델 훈련을 가능하게 하여 공간-시간 예측(STF) 분야에서 유망한 패러다임으로 부상했습니다. 기존의 연합 STF 방법들은 주로 클라이언트 간의 이질성을 최적화 문제로 간주하며, 개인화된 접근 방식을 통해 이를 완화합니다. 그러나 이러한 이질성은 근본적으로 다양한 extit{환경 조건}에서 비롯되며, 이러한 방법들은 환경별 예측 패턴을 학습하지만, 환경 변화가 발생하면 일반화하기 어렵습니다. 우리의 핵심적인 통찰은 연합 클라이언트 간의 환경 다양성을 활용해야 한다는 것입니다. 왜냐하면 이는 동일한 기본 공간-시간 시스템에 대한 extit{보완적인 관찰}을 제공하기 때문입니다. 이러한 통찰력을 바탕으로, 우리는 각 클라이언트를 extbf{독립적인 인과적 환경으로 취급하는} 새로운 연합 탈혼동 프레임워크인 exttt{\method}를 제안합니다. exttt{\method}는 클라이언트의 이질성을 분산된 환경 증거로 활용하고, 공유된 환경 범주를 포착하기 위한 글로벌 프로토타입 코드북을 학습합니다. 또한, 우리는 평균 혼동 강도에 의해 선형적으로 제어되는 이론적인 연합 탈혼동 경계를 도출했습니다. 광범위한 실험 결과는 exttt{\method}가 기존의 연합 기반 모델보다 일관되게 우수한 성능을 보이며, 전이 가능하고 해석 가능하며 통신 효율적인 환경 표현을 제공한다는 것을 보여줍니다.

Federated learning has emerged as a promising paradigm for spatio-temporal forecasting (STF), enabling collaborative model training without sharing raw observations. Existing federated STF methods primarily regard cross-client heterogeneity as an optimization challenge and mitigate it through personalized approaches. However, such heterogeneity fundamentally stems from diverse \emph{environmental conditions}, and these methods capture environment-specific forecasting patterns, hardly generalizing under environmental shifts. Our key insight is that the environmental diversity across federated clients should be exploited, as they provide \emph{complementary observations of the same underlying spatio-temporal system}. Based on this insight, we propose \method, a novel federated de-confounding framework that \textbf{treats clients as distinct causal environments}. \method leverages the client heterogeneity as distributed environmental evidence and learns a global prototype codebook to capture shared environmental regimes. We further derive a theoretical federated de-confounding bound that is linearly controlled by the averaged confounding strength. Extensive experiments demonstrate that \method consistently outperforms federated baselines, while providing transferable, interpretable, and communication-efficient environmental representations.