Spatial-temporal Prompt Learning for Federated Weather Forecasting

要約

フェデレーション天気予報は、さまざまな国や地域の参加者間で気象データを分析するための有望な共同学習フレームワークであり、気候変動に取り組むための地球規模のリアルタイム気象データ予測分析プラットフォームを具体化します。
このペーパーでは、多くの低リソースのセンサーがさまざまな場所に分散配置されているフェデレーテッド設定で気象データをモデル化します。
具体的には、時空間気象データを、軽量プロンプトを活用して参加者間で意味のある表現と構造的知識を共有するフェデレーテッド プロンプト学習フレームワークにモデル化します。
プロンプトベースの通信により、サーバーは通信オーバーヘッドを軽減しながら、プライベート データを送信することなく、参加者間の構造的なトポロジ関係を確立し、複雑な時空間相関をさらに調査できます。
さらに、サーバーでグローバルに共有される大規模なモデルに加えて、私たちが提案する方法では、各参加者が特定の地理的領域の気候変動に取り組むために高度にカスタマイズされたパーソナライズされたモデルを取得できるようになります。
我々は、3 つの時空間多変量時系列気象データを利用することにより、古典的な天気予報タスクに対する手法の有効性を実証しました。

要約(オリジナル)

Federated weather forecasting is a promising collaborative learning framework for analyzing meteorological data across participants from different countries and regions, thus embodying a global-scale real-time weather data predictive analytics platform to tackle climate change. This paper is to model the meteorological data in a federated setting where many distributed low-resourced sensors are deployed in different locations. Specifically, we model the spatial-temporal weather data into a federated prompt learning framework that leverages lightweight prompts to share meaningful representation and structural knowledge among participants. Prompts-based communication allows the server to establish the structural topology relationships among participants and further explore the complex spatial-temporal correlations without transmitting private data while mitigating communication overhead. Moreover, in addition to a globally shared large model at the server, our proposed method enables each participant to acquire a personalized model that is highly customized to tackle climate changes in a specific geographic area. We have demonstrated the effectiveness of our method on classical weather forecasting tasks by utilizing three spatial-temporal multivariate time-series weather data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google