发表机构
Arizona State University（亚利桑那州立大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
提出个性化联邦分层高斯过程，通过共享全局组件与局部残差分解实现异构客户端隐私保护的概率建模，在故障分类和空气质量建模中取得高效结果。
AI 中文摘要
我们提出了个性化联邦分层高斯过程（pFedHGP），用于在数据分布在不同异构客户端时的概率回归和分类。每个客户端的潜在函数分解为（i）共享的全局组件，（ii）保留全局核结构的客户端特定偏差，以及（iii）灵活的局部残差。稀疏诱导变量近似和联邦变分推断使原始数据保留在本地，而服务器仅同步共享组件的低维统计量。完整的预测分布支持不确定性感知的决策。在应用研究中，pFedHGP在冲压吨位监测中利用13.77%的标记周期实现了完美的故障分类，并在联邦空气质量建模中恢复了地理区域，而无需集中站点级时间序列。瞬时线性混合模型视角将层次结构与多输出高斯过程联系起来，用于相关传感器。
英文摘要
We present Personalized Federated Hierarchical Gaussian Processes (pFedHGP) for probabilistic regression and classification when data are distributed across heterogeneous clients. Each client's latent function decomposes into (i) a shared global component, (ii) a client-specific deviation that shares the global kernel structure, and (iii) a flexible local residual. Sparse inducing-variable approximations and federated variational inference keep raw data local while the server synchronizes only low-dimensional statistics for the shared component. Full predictive distributions support uncertainty-aware decisions. In application studies, pFedHGP attains perfect fault classification in press tonnage monitoring using 13.77% of labeled cycles and recovers geographic zones in federated air-quality modeling without centralizing station-level time series. An Instantaneous Linear Mixing Model viewpoint links the hierarchy to multi-output Gaussian processes for correlated sensors.
