Zespół badawczy zaprezentował QuantFlow - probabilistyczne framework do prognozowania szeregów czasowych, które łączy nowoczesną architekturę state-space (Mamba) z federated learning i regresjąą kwantylową. Model pracuje bez dostępu do scentralizowanych danych, co czyni go użytecznym dla aplikacji wymagających wysokiego poziomu prywatności.
Kluczową innowacją QuantFlow jest zastosowanie bidirectionalnych dekoderów Mamba zamiast attention-based Transformerów. Każda zmienna czasowa jest osadzana na całym oknie obserwacji, przetwarzana w obu kierunkach i rzutowana na pięć warunkowych kwantyli, co pozwala oszacować niepewność predykcji. Technika TSMixup zwiększa różnorodność danych treningowych przez interpolację ważoną rozkładem Dirichleta, zachowując strukturę sekwencji. Framework przeszedł obszerny test na danych kryptografia, ruchu ulicznego, zużycia energii, temperatury transformatorów, grypy i pogody.
Wyniki pokazują, że QuantFlow uzyskuje MSE 0.2834 na benchmarku ETTm1 i 0.2218 na Weather. Kluczowym osiągnięciem jest scenariusz 20-klientowy z niestandardowym rozkładem danych (non-IID) - po zaledwie trzech rundach komunikacji model zachowuje użyteczną dokładność bez centralizacji surowych rekordów. Badacze zauważają też ograniczenia: model ma trudności z nieregularnymi sygnałami epidemiologicznymi i prognozowaniem na dłuższe horyzonty czasowe, co wskazuje kierunki dla przyszłych badań.