arXiv 2026年10月6日该工作提出个性化多样性原则与 PerFeCT-VAR 方法，将每个客户端的转移矩阵分解为共享低秩动态、共享稀疏连接和个性化稀疏偏离，用跨客户端频率上限导出尖锐的共享—个性化可识别阈值并设计频率上限阈值化（FCT）进行联邦估计；理论给出三部分联合线性收敛与统计速率，表明在个性化足够多样时共享动态仍可获得总样本量增益而个性化成分达到客户端级精度；模拟与多店零售收入数据实验显示其预测与解释优势。该工作提出个性化多样性原则与 PerFeCT-VAR 方法，将每个客户端的转移矩阵分解为共享低秩动态、共享稀疏连接和个性化稀疏偏离，用跨客户端频率上限导出尖锐的共享—个性化可识别阈值并设计频率上限阈值化（FCT）进行联邦估计；理论给出三部分联合线性收敛与统计速率，表明在个性化足够多样时共享动态仍可获得总样本量增益而个性化成分达到客户端级精度；模拟与多店零售收入数据实验显示其预测与解释优势。PerFeCT-VAR 用跨客户端频率上限分离共享与个性化 VAR 动态，并在多店销售数据上取得最低预测误差该工作提出个性化多样性原则与 PerFeCT-VAR 方法，将每个客户端的转移矩阵分解为共享低秩动态、共享稀疏连接和个性化稀疏偏离，用跨客户端频率上限导出尖锐的共享—个性化可识别阈值并设计频率上限阈值化（FCT）进行联邦估计；理论给出三部分联合线性收敛与统计速率，表明在个性化足够多样时共享动态仍可获得总样本量增益而个性化成分达到客户端级精度；模拟与多店零售收入数据实验显示其预测与解释优势。该工作提出个性化多样性原则与 PerFeCT-VAR 方法，将每个客户端的转移矩阵分解为共享低秩动态、共享稀疏连接和个性化稀疏偏离，用跨客户端频率上限导出尖锐的共享—个性化可识别阈值并设计频率上限阈值化（FCT）进行联邦估计；理论给出三部分联合线性收敛与统计速率，表明在个性化足够多样时共享动态仍可获得总样本量增益而个性化成分达到客户端级精度；模拟与多店零售收入数据实验显示其预测与解释优势。