FedDis: 연합 교통 예측을 위한 인과적 분리 프레임워크

FedDis: A Causal Disentanglement Framework for Federated Traffic Prediction

연합 학습은 개인 정보 보호를 위한 교통 예측에 유망한 패러다임을 제공하지만, 분산된 교통 데이터의 비동일성(non-IID)으로 인해 성능이 제한되는 경우가 많습니다. 기존의 연합 학습 방법은 종종 이러한 데이터 이질성으로 인해 어려움을 겪으며, 일반적으로 단일 표현 내에서 전역적으로 공유되는 패턴과 클라이언트별 로컬 동역학을 얽히게 만듭니다. 본 연구에서는 이러한 이질성이 클라이언트별 로컬 동역학과 클라이언트 간의 전역적 시공간 패턴이라는 두 가지 뚜렷한 생성 원인의 얽힘에서 비롯된다고 가정합니다. 이러한 관점에 따라, 본 연구에서는 연합 시공간 예측을 위해 인과적 분리를 활용하는 최초의 프레임워크인 FedDis를 제안합니다. FedDis는 아키텍처적으로 이중 분기 설계를 갖추고 있으며, Personalized Bank는 클라이언트별 요인을 학습하고, Global Pattern Bank는 공통 지식을 추출합니다. 이러한 분리는 견고한 클라이언트 간 지식 전달을 가능하게 하면서 동시에 고유한 로컬 환경에 대한 높은 적응성을 유지합니다. 또한, 상호 정보 최소화 목적 함수를 사용하여 두 분기 간의 정보적 직교성을 강제함으로써 효과적인 분리를 보장합니다. 네 개의 실제 벤치마크 데이터 세트에 대한 종합적인 실험 결과, FedDis는 일관되게 최첨단 성능을 달성하며 효율성과 우수한 확장성을 제공하는 것으로 나타났습니다.

Federated learning offers a promising paradigm for privacy-preserving traffic prediction, yet its performance is often challenged by the non-identically and independently distributed (non-IID) nature of decentralized traffic data. Existing federated methods frequently struggle with this data heterogeneity, typically entangling globally shared patterns with client-specific local dynamics within a single representation. In this work, we postulate that this heterogeneity stems from the entanglement of two distinct generative sources: client-specific localized dynamics and cross-client global spatial-temporal patterns. Motivated by this perspective, we introduce FedDis, a novel framework that, to the best of our knowledge, is the first to leverage causal disentanglement for federated spatial-temporal prediction. Architecturally, FedDis comprises a dual-branch design wherein a Personalized Bank learns to capture client-specific factors, while a Global Pattern Bank distills common knowledge. This separation enables robust cross-client knowledge transfer while preserving high adaptability to unique local environments. Crucially, a mutual information minimization objective is employed to enforce informational orthogonality between the two branches, thereby ensuring effective disentanglement. Comprehensive experiments conducted on four real-world benchmark datasets demonstrate that FedDis consistently achieves state-of-the-art performance, promising efficiency, and superior expandability.