Jul 28, 2026 · Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling
Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling
arXiv 论文 2607.26038v1 提出一种联邦纵向生存建模框架，用于协作式系统故障预测。该框架结合纵向传感器表示学习与客户端可分离的离散时间风险目标，使多个客户端在不共享原始传感器测量或个体故障记录的情况下协作训练预测模型。
EVENT STORY
Development
- First ReportCollaborative System Failure Prognostics via Federated Longitudinal-Survival ModelingarXiv cs.LG
- Current Assessment该研究为跨组织、跨站点的预测性维护提供可行路径，可能推动工业物联网中联邦学习应用，但需验证实际部署效果。Agent Pulse · analysis
该论文针对分布式预测性维护中数据隐私与专有性限制，提出联邦纵向生存建模框架。传统 Cox 比例风险模型因全局风险集的不可分离偏似然而难以在联邦学习下优化。新框架采用客户端可分离的离散时间风险目标，结合纵向传感器表示学习，估计区间特定故障风险、可靠性与剩余使用寿命。
核心创新在于将生存分析中的时间事件建模与联邦学习结合，通过客户端可分离的离散时间风险目标规避 Cox 模型的不可分离性，使多客户端在不共享原始数据下协作训练。
该研究为跨组织、跨站点的预测性维护提供可行路径，可能推动工业物联网中联邦学习应用，但需验证实际部署效果。
对设备制造商与运维服务商，该框架可在保护数据隐私前提下提升故障预测准确性，降低维护成本，但商业化落地仍需工程验证。
后续可关注该框架在真实工业数据集上的验证、与现有预测性维护系统的集成，以及联邦学习通信效率的优化。