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
相关研究与后续进展
核心概要
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。
Figure 1: Three-component transition structure of PerFeCT-VAR .
arXiv深度剖析
提出个性化多样性原则：真正个性化的关系应只在有限比例的客户端中重复出现，并以跨客户端频率上限加以形式化。 此前稀疏个性化表示只约束客户端内部稀疏性，无法排除同一关系在多数客户端重复从而被吸收进共享成分；该工作把频率而非幅度作为结构约束，给出共享—个性化分解的可识别条件。 命题 1 通过坐标多数原则证明当频率上限小于客户端数一半时共享与个性化成分唯一确定，并说明该阈值对一致可识别性是尖锐的；附录 A.1 给出证明与反例构造。
提出 PerFeCT-VAR 估计流程：FCT 联合施加客户端稀疏与跨客户端频率约束，配合共享低秩的 ScaledGD 更新、共享稀疏的容量感知阈值化和基于局部低秩加稀疏拟合的联邦初始化。 独立逐客户端硬阈值化可能在同一坐标保留过多客户端而违反频率上限；FCT 把支持选择写成最大权二分 b-匹配并用线性规划松弛精确求解，从而在迭代中始终保持可识别结构。 FCT 的精确性由二分匹配与全幺模 LP 松弛论证支持；定理 2 证明联邦初始化器以高概率进入局部收缩区域，定理 1 给出迭代收敛。
建立三成分联合收缩理论，显式刻画个性化误差向共享更新的传播，并引入方向性协方差差异度量与分布相容条件。 以往个性化联邦分析多假设同分布或仅处理参数异质性；该工作把客户端平稳协方差差异沿相关误差方向的影响单独量化，说明协方差可以差异很大只要其差异不与误差方向强对齐。 定理 1 给出逐分量收缩不等式，个性化到共享的耦合项由个性化频率、样本量不平衡与方向性协方差差异共同控制；推论 2 在平衡客户端设定下给出共享速率含总样本量增益、个性化代价由频率控制的显式形式。
模拟与 Dominick's 多店零售收入数据实验显示预测与解释收益。 在 200 次重复的模拟中 PerFeCT-VAR 相对 Pooled LRS、Local LRS、Ditto 与联邦初始化器取得更小相对误差，共享成分误差随客户端数下降而个性化误差基本不变；通信高效实现把上行通信从 146.48 MiB 降至约 10.83–20.26 MiB 而最终误差接近。 真实数据上 PerFeCT-VAR 的平均与中位测试 MSE 分别为 1.779 与 1.635，低于 Pooled OLS、Pooled LASSO、Pooled LRS、Ditto、Local 各方法与 iAR(1)；估计结构显示共享低秩模式与稀疏连接及门店级调整。
启示与展望
该框架适用于客户端观测同一组变量、各自服从平稳 VAR(1) 且原始序列不可集中的设定，个性化关系需满足跨客户端频率上限；理论分析在平衡客户端与高斯新息假设下给出显式速率，并允许平稳协方差不同只要满足分布相容条件。对希望在不共享原始数据的前提下同时获得共享动态与门店或机构级调整的从业者，该工作提供了可实现的算法、通信高效变体与可解释的三成分分解。
理论保证依赖平稳性、高斯新息、低秩—稀疏分离与分布相容等条件，实际数据在多大程度上满足这些条件仍需逐案检验；频率上限与秩、稀疏度等调参在真实应用中如何选择，文中通过验证集最小化 MSE 处理，但其敏感性未在正文展开；通信高效实现中梯度压缩与较少 FCT 刷新为近似操作，其误差在更大规模或更强异质性下的表现值得进一步观察；真实数据实验为单一连锁零售数据集，结论向其他行业与更长预测步长的推广仍是开放问题。