FTA-FTL：一种用于岩性显微图像分类的微调聚合联邦迁移学习方案
机器学习
2025-01-08 v1 人工智能
计算机视觉与模式识别
摘要
岩性识别是油藏表征中的一项关键活动，而处理岩性显微图像是研究化石与矿物以及页岩油勘探地质评估的一项基本技术。在此方面，深度学习技术是构建鲁棒分类器模型的有力方法。然而，收集并生成大规模数据集仍然是一个巨大的挑战。迁移学习和数据增强技术已成为解决该问题的流行方法。此外，由于各种原因，尤其是数据隐私，个人、组织及工业公司通常不愿分享其敏感数据与信息。联邦学习应运而生，它能够在多个分散的边缘服务器上训练高精度的中心模型，而无需传输敏感数据，从而保护敏感数据并增强安全性。本研究包含两个阶段：第一阶段是在小数据集上利用迁移学习进行岩性显微图像分类。在此过程中，对各种预训练深度学习模型架构在分类任务上进行了全面比较。在第二阶段，我们将分类任务转化为联邦迁移学习方案，并提出了一种用于联邦学习的微调聚合策略。为了进行全面的实验研究，考虑了多个评估指标，如准确率、f1 分数、精确率、特异性、敏感性（召回率）以及混淆矩阵。结果高度吻合，证实了所提方案的有效性，并表明所提出的 FTA-FTL 算法完全能够在岩性显微图像分类任务中取得与集中式实现近乎相同的结果。
引用
@article{arxiv.2501.03349,
title = {FTA-FTL: A Fine-Tuned Aggregation Federated Transfer Learning Scheme for Lithology Microscopic Image Classification},
author = {Keyvan RahimiZadeh and Ahmad Taheri and Jan Baumbach and Esmael Makarian and Abbas Dehghani and Bahman Ravaei and Bahman Javadi and Amin Beheshti},
journal= {arXiv preprint arXiv:2501.03349},
year = {2025}
}