用于作物病害分类的去中心化联邦学习中的损失引导模型共享与局部学习校正
机器学习
2025-05-30 v1
摘要
作物病害检测与分类是农业领域的一项关键挑战，对生产力、粮食安全和环境可持续性具有重大影响。尽管 CNN 和 ViT 等深度学习模型在从图像中分类植物病害方面表现出色，但其大规模部署往往受到数据隐私问题的限制。联邦学习解决了这一问题，但中心化 FL 仍易受单点故障和可扩展性限制的影响。在本文中，我们引入了一种新颖的去中心化联邦学习框架，该框架使用验证损失（Loss_val）来指导节点间的模型共享，并通过由加权参数控制的自适应损失函数来校正局部训练。我们使用 PlantVillage 数据集和三种深度学习架构（ResNet50、VGG16 和 ViT_B16）进行了广泛实验，分析了加权参数、共享模型数量、客户端数量以及使用其他客户端的 Loss_val 与 Loss_train 的影响。结果表明，我们的 DFL 方法不仅提高了准确率和收敛速度，还确保了在异构数据环境中更好的泛化能力和鲁棒性，使其特别适合隐私保护的农业应用。
引用
@article{arxiv.2505.23063,
title = {Loss-Guided Model Sharing and Local Learning Correction in Decentralized Federated Learning for Crop Disease Classification},
author = {Denis Mamba Kabala and Adel Hafiane and Laurent Bobelin and Raphael Canals},
journal= {arXiv preprint arXiv:2505.23063},
year = {2025}
}