评估联邦学习在玉米叶部病害预测中的潜力
机器学习
2024-12-12 v1 人工智能
摘要
基于机器学习的粮食作物病害诊断方法似乎令人满意，并适合大规模应用。卷积神经网络（CNN）在根据作物叶片图像捕获进行病害预测方面表现准确，在文献中得到了广泛增强。这些机器学习技术在数据隐私方面存在不足，因为它们需要在训练过程中与中央服务器共享数据，而忽视了竞争或监管方面的顾虑。因此，联邦学习（FL）旨在支持分布式训练，以解决集中式训练中公认的缺陷。据我们所知，本文开创了联邦学习在玉米叶部病害中的应用与评估。我们评估了在分布式范式下训练的五种 CNN 的性能，并测量了它们的训练时间与分类性能的关系。此外，我们考虑了网络流量和每种 CNN 的参数数量，以评估分布式训练的适用性。我们的结果表明，联邦学习在异构领域中具有增强数据隐私的潜力。
引用
@article{arxiv.2412.07872,
title = {Evaluating the Potential of Federated Learning for Maize Leaf Disease Prediction},
author = {Thalita Mendonça Antico and Larissa F. Rodrigues Moreira and Rodrigo Moreira},
journal= {arXiv preprint arXiv:2412.07872},
year = {2024}
}