Federated Learning 架构：基于作物产量预测的性能评估
机器学习
2025-12-16 v1
摘要
联邦学习已成为物联网应用中数据分析的新兴技术。本文基于长短期记忆网络（LSTM）实现了集中式和去中心化的联邦学习框架，用于作物产量预测。集中式联邦学习中，考虑多个客户端与一个服务器，客户端将模型更新与服务器交换，服务器作为聚合器构建全局模型。去中心化框架中，在设备之间形成协作网络，采用环形拓扑或网格拓扑。该网络中，每个设备接收来自邻居设备的模型更新，并执行聚合以构建升级后的模型。本文根据预测准确率、精确率、召回率、F1-分数及训练时间评估了集中式和去中心化联邦学习框架的性能。实验结果表明，分别使用集中式和去中心化联邦学习框架实现了≥97%和>97.5%的预测准确率。结果还显示，使用集中式联邦学习可将响应时间缩短约75%。最后，本文探讨了联邦学习在作物产量预测中未来的研究方向。
引用
@article{arxiv.2408.02998,
title = {Federated Learning Architectures: A Performance Evaluation with Crop Yield Prediction Application},
author = {Anwesha Mukherjee and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2408.02998},
year = {2025}
}