用于畜牧业生长预测的神经型联邦学习
机器学习
2026-04-02 v3
摘要
畜牧业生长预测对于优化农场管理、提高生产效率与可持续性至关重要，但因数据稀缺和涉及农场数据隐私问题而鲜有探索。现有生物力学模型依赖固定公式，大多数机器学习方法在小规模封闭数据集上训练，限制了其鲁棒性与可推广性。为此，我们提出 LivestockFL，即首个专为畜牧业生长预测设计的联邦学习框架。LivestockFL 允许分布式农场之间在不共享原始数据的情况下进行协作模型训练，保留数据隐私，缓解数据稀疏，尤其适用于历史记录有限的农场。该框架基于门控循环单元（GRU）结合多层感知机的神经网络架构，建模来自历史体重记录和辅助特征的时序生长模式。我们进一步引入 LivestockPFL，一种新型个性化联邦学习框架，将上述联邦学习框架扩展，添加基于各农场本地数据的个性化预测头，生成针对特定农场的预测器。在真实数据集上的实验表明，所提出的方法在有效性和实用性方面均取得佳绩。
引用
@article{arxiv.2603.28117,
title = {Neural Federated Learning for Livestock Growth Prediction},
author = {Shoujin Wang and Mingze Ni and Wei Liu and Victor W. Chu and Bryan Zheng and Ayush Kanwal and Roy Jing Yang and Kenneth Sabir and Fang Chen},
journal= {arXiv preprint arXiv:2603.28117},
year = {2026}
}
备注
Accepted by WCCI 2026 (IJCNN 2026)