联邦遥感目标细粒度分类的免费午餐：一种参数高效框架
机器学习
2024-01-04 v1 人工智能
密码学与安全
摘要
遥感目标细粒度分类 (TFGC) 在军事和民用领域都具有重要意义。由于地理位置差异、数据规模增长以及集中式服务器存储限制，这些数据通常存储在不同地区/国家的不同数据库下。然而，隐私法和国家安全问题限制了研究人员访问这些敏感的遥感图像以进行进一步分析。此外，低资源遥感设备在处理日益增长的数据和模型规模时面临通信开销和效率方面的挑战。为了解决上述挑战，本文提出了一种基于联邦学习的新型隐私保护 TFGC 框架，称为 PRFL。所提出的框架允许每个客户端学习全局和局部知识，以增强在极端统计异质性（非独立同分布，IID）环境下私有数据的局部表示。因此，它为具有差异化数据分布的客户端提供了高度定制化的模型。此外，该框架在确保满意性能的同时最小化通信开销并提高效率，从而增强了在资源稀缺条件下的鲁棒性和实际适用性。我们通过在四个公开数据集上利用经典的 TFGC 任务证明了所提出的 PRFL 的有效性。
引用
@article{arxiv.2401.01493,
title = {Free Lunch for Federated Remote Sensing Target Fine-Grained Classification: A Parameter-Efficient Framework},
author = {Shengchao Chen and Ting Shu and Huan Zhao and Jiahao Wang and Sufen Ren and Lina Yang},
journal= {arXiv preprint arXiv:2401.01493},
year = {2024}
}
备注
Under Review, 23 pages, 3 figures, 12 tables