面向异构受控环境农业设施的分层隐私保护边缘聚合学习框架
系统与控制
2026-04-16 v1 系统与控制
摘要
受控环境农业（CEA） facilities之间的跨设施知识转移可通过减少HVAC能耗消耗30%-38%，并将新设施调试时间从几个月缩短至天数。然而，设施运营者因运营数据编码了商业敏感的种植配方，而不愿分享原始数据。我们提出HierFedCEA，一个分层聚合学习框架，实现跨异构CEA设施的隐私保护气候控制优化。HierFedCEA将神经网络PID自调谐模型分解为三个层级，对应控制问题的物理结构：（1）全局物理层捕获通用的热力学关系；（2）作物集群层编码作物特定的VPD至增益映射；（3）本地个性化层适应设施特定的设备动力学。该框架应用特定层级的差分隐私预算，并利用36参数PID模型的极端紧凑性，几乎实现免费隐私（ excess risk < 0.15%）。模拟实验基于7年以上生产部署数据进行校准，覆盖30多个商业设施和8个美国气候区，证明HierFedCEA在保持94%集中训练性能的同时，将总通信成本降至1MB以下。据我们所知，这是首个为CEA气候控制设计的聚合学习框架。
引用
@article{arxiv.2604.13396,
title = {HierFedCEA: Hierarchical Federated Edge Learning for Privacy-Preserving Climate Control Optimization Across Heterogeneous Controlled Environment Agriculture Facilities},
author = {Andrii Vakhnovskyi},
journal= {arXiv preprint arXiv:2604.13396},
year = {2026}
}
备注
7 pages, 1 figure, 2 tables, 35 references