层次化联邦学习：智能农业生产系统中作物产量预测

本文提出一种新型的层次化联邦学习架构，专为智能农业生产系统和作物产量预测而设计。我们的方案引入季节性订阅机制，使得农场在每个农业季节开始时加入作物特定的聚类。 proposed 的三层架构包括客户端层的individual smart 农场、中层的作物特定聚合器以及顶层的全局模型聚合器。在每个作物聚类内部，客户端协作训练针对特定作物类型的specialized 模型，然后将其聚合以产生集成多个作物知识的更高层次全局模型。这种层次化设计既实现了对individual crop 类型的local 专门化，也实现了跨 diverse agricultural 环境的global 泛化，同时保持数据隐私并降低通信开销。实验结果表明，所提系统有效，显示 local 和作物层模型与实际产量模式保持一致的对齐，显著优于标准机器学习模型。结果验证了层次化联邦学习在农业背景下的优势，尤其是在涉及异构农业环境和隐私敏感农业数据的情况下。