QuantFlow：基於聯邦學習的 Mamba 時間序列預測基礎模型

研究團隊提出 QuantFlow，這是一個結合反向序列嵌入、雙向 Mamba 狀態空間解碼器、分位數迴歸與聯邦學習的機率性預測框架。該框架旨在解決傳統 Transformer 架構依賴集中式數據且難以處理長序列、高維度及隱私敏感訊號的問題。在 QuantFlow 中，每個變數會跨越完整觀察視窗進行嵌入，並以前向與反向雙向處理，最終投影至五個條件分位數。

實驗涵蓋加密貨幣、交通、電力、電力變壓器溫度（Electricity Transformer Temperature）、流感及天氣數據。在效能指標上，QuantFlow 在 ETTm1 數據集上獲得 0.2834 的均方誤差，在 Weather 數據集上則為 0.2218。此外，TSMixup 技術透過 Dirichlet 權重插值擴展時間多樣性，同時保留序列結構。

在隱私保護測試中，一個包含 20 個客戶的非獨立同分佈（non-IID）聯邦部署，在未經集中原始記錄的情況下，僅經三次通訊輪次便保留了有用的準確度。研究結果顯示，選擇性狀態空間建模是構建可擴展、不確定性感知及隱私意識時間序列預測的有前景基礎，但也揭示了其在處理非規則流行病學訊號及長視窗泛化能力上的限制。