利用特征通信进行远程感知影像分类的联邦学习

Mar, 2024

利用特征通信进行远程感知影像分类的联邦学习

Leveraging feature communication in federated learning for remote sensing image classification

Anh-Kiet Duong, Hoàng-Ân Lê, Minh-Tan Pham

TL;DR在远程感知图像分类方面的联邦学习 (Federated Learning) 领域中，本研究引入和评估了几种创新的通信策略，包括特性中心通信、伪权重合并以及同时利用权重和特性的综合方法。在两个公共场景分类数据集上进行的实验揭示了这些策略的有效性，展示了加速收敛、提高隐私性和减少网络信息交换的效果。该研究为特性中心通信在联邦学习中的意义提供了有价值的洞见，并提供了为远程感知场景量身定制的潜在应用。

Abstract

In the realm of federated learning (FL) applied to remote sensing image classification, this study introduces and assesses several innovative communication strategies. Our exploration includes feature-centric com

federated learning remote sensing image classification communication strategies feature-centric communication pseudo-weight amalgamation

发现论文，激发创造

探索联邦学习的实用性：从通信的角度进行调查

调查分析了通信高效的联合学习方法，定义了通信效率的度量方法并提供了系统全面的分类和评述，讨论了提高联合学习系统通信效率的未来研究方向。

May, 2024

基于特征的联邦迁移学习：通信效率、鲁棒性和隐私

本文提出了基于特征的联邦迁移学习作为一种新方法，通过将上行负载减少数个数量级，改善通信效率，与现有的联邦学习和联邦迁移学习方法相比具有更好的效果。具体而言，在提出的基于特征的联邦学习中，我们设计了要上传的提取特征和输出，而不是参数更新。对于这个分布式学习模型，我们确定了所需的负载，并与现有方案进行了比较。随后，我们分析了基于特征的联邦迁移学习在数据包丢失、数据不足和量化方面的鲁棒性。最后，我们通过定义和分析标签隐私泄露和特征隐私泄露，并研究缓解方法来解决隐私问题。对于所有上述分析，我们通过在图像分类任务和自然语言处理任务上进行实验，评估了提出的学习方案的性能。

May, 2024

基于分散且未共享的档案的遥感影像分类的联邦学习

该研究首次在遥感领域对当前最先进的联邦学习算法进行了比较研究，通过系统回顾计算机视觉社区中面向图像分类问题的联邦学习算法，并基于其与客户端之间训练数据异构性的有效性进行选择，对所选算法进行理论比较，并在多样化的分散化情境下通过实验分析其在多标签分类问题上的表现，从而为在遥感领域选择合适的联邦学习算法提供一份指南。

Nov, 2023

面向轻量通信设计的联邦学习压缩

本文研究压缩技术对典型图像分类任务的联邦学习的影响，并证明了一种简单的方法可以在保持不到 1% 准确率损失的同时压缩 50% 的消息，与最先进的技术相媲美。

Oct, 2023

联邦学习在分布式多模遥感档案中的应用

本文提出了一种新颖的多模式联邦学习框架，旨在从分散的多模式遥感图像档案中学习用于遥感图像分类问题，该框架由多模式融合（MF）、特征白化（FW）和互信息最大化（MIM）三个模块组成，实验结果表明，相对于迭代模型平均（IMA），所提出的框架有效。

Jun, 2023

计算与通信高效的轻量化垂直联邦学习

轻量级垂直联邦学习（LVFL）通过分别优化特征模型和特征嵌入的轻量化策略，有效减轻了计算和通信需求，同时保持了强大的学习性能。

Mar, 2024

数据岛之桥：针对协作遥感语义分割的地理异质感知联邦学习

通过 GeoFed 框架，我们提出了一种解决隐私保护遥感语义分割任务的方法，通过全局特征扩展和尾部重构模块来减轻分类分布的异质性，同时设计了一个关键特征挖掘策略来减轻目标外观的异质性。在三个数据集上进行的大量实验证明，我们的 GeoFed 方法始终优于目前的最优方法。