KDD 2024 | 中南大学等提出PeFAD，参数高效的联邦异常检测框架

文章预览

©PaperWeekly 原创 · 作者 |  徐榕桧 单位 |  中南大学 研究方向 |  时序数据分析、时序大模型 摘要 随着移动感知技术的普及，各个领域产生和积累了大量的时间序列数据，为众多实际应用提供了动力。在这种背景下，时间序列异常检测具有重要的实际意义。它旨在从时间序列中识别出偏离正常样本分布的异常样本。现有的方法通常假设所有时间序列数据都集中在一个中央位置。然而，由于各种边缘设备的部署，越来越多的时间序列数据需要分散收集。 为了解决分散时间序列数据与集中异常检测算法之间的差距，作者提出了一个名为 PeFAD（Parameter-efficient Federated Anomaly Detection，参数高效的联邦异常检测）的框架，以应对日益增长的隐私问题。PeFAD 首次使用预训练语言模型（PLM）作为客户端本地模型的主体，利用其跨模态知识转移能力。 为了减少通 ………………………………