Transformers with Attentive Federated Aggregation for Time Series Stock Forecasting
创建于 更新于
摘要
本报告提出了一种基于多头自注意力机制的时间序列变换器模型，结合注意力聚合的联邦学习（FedAtt）框架，用于股票市场时序数据的预测。方法通过时间嵌入捕捉时序数据的周期性与非周期性特征，利用联邦学习解决数据不足和隐私保护问题。实证结果显示，该方法在多家企业的历史股票数据上优于传统的本地训练（SOLO）和联邦平均（FedAvg）方法，显著提高了预测准确率和泛化能力，验证了联邦变换器在时序预测任务中的有效性[page::0][page::1][page::3][page::4][page::5]。
