动态联邦图学习（DFDG）：面向隐私保护的交通流量预测创新框架

为解决交通预测中数据隐私保护与动态图建模的难题，研究人员提出动态联邦图学习框架DFDG，整合联邦学习(FL)与动态图神经网络(GNN)，通过Chebyshev多项式KANODE层建模时空动态，采用图傅里叶变换(GFT)实现梯度扰动隐私保护。实验表明，DFDG在METR-LA等数据集上MAE达2.47-3.56，推理延迟仅2.83秒/100图，为智能交通系统提供高效隐私安全解决方案。

　　

随着城市化进程加速，智能交通系统(ITS)面临交通流量预测的三大挑战：路网非欧几里得结构的时空复杂性、数据分布的动态异构性以及敏感位置信息的隐私风险。传统卷积神经网络(CNN)和循环神经网络(RNN)难以捕捉路网拓扑关系，而集中式图神经网络(GNN)虽能建模时空依赖，却存在数据泄露隐患。联邦学习(FL)虽可实现分布式训练，但现有方案如FedGTP等在小规模数据集上表现有限，且缺乏对动态图适应性和隐私-性能平衡的系统性解决方案。

美国国家科学基金会(NSF)支持的Muhammad Usman与Yugyung Lee团队在《Knowledge-Based Systems》发表研究，提出动态联邦图学习框架DFDG。该工作通过四项核心技术突破：1) 基于Chebyshev多项式的Kolmogorov-Arnold网络(KANODE)层，结合常微分方程(ODE)建模连续时间动态；2) 图傅里叶变换(GFT)压缩扰动梯度实现隐私保护；3) 自组织映射(SOM)无监督聚类区域化参与者；4) 动态加权聚合策略优选高质量节点。实验采用METR-LA、PEMS-BAY和NE-BJ真实路网数据集验证。

Architectural innovations and modeling strengths
DFDG的Chebyshev多项式基凭借极小化最大误差特性，较B样条等传统方法计算效率提升40%，其递归结构实现空间依赖的紧凑表达。KANODE层通过ODE捕捉交通状态连续演化，在15分钟预测窗口下较STGCN降低MAE达19.7%。

GFT-Based Privacy Preservation
梯度传输采用GFT将原始数据转换至谱域，对前k=128个系数添加拉普拉斯噪声(ε=0.5)，在保证(ε,δ)-差分隐私的同时，通信开销减少63%。

SOM-Based Traffic Clustering
SOM将21个异步参与者按局部行为聚类为5-7个区域单元，相似度阈值ρ=0.85，使个性化模型在NE-BJ数据集预测误差下降12.3%。

Conclusion
DFDG首次实现联邦学习与动态GNN在交通预测中的有机融合，其创新性体现在：1) KANODE层突破离散时间建模局限；2) GFT谱扰动机制实现隐私-性能帕累托最优；3) SOM聚类支持边缘设备自适应协同。该框架在保持数据隐私前提下，MAE指标超越FedGTP等基线模型23.1%，推理延迟满足实时性要求，为车联网(V2X)等低延迟场景提供标准化解决方案。未来可扩展至流行病传播预测等动态图建模领域。