ReinDSplit：面向精准农业害虫识别的强化动态分割学习
机器学习
2025-06-18 v1 分布式、并行与集群计算
新兴技术
摘要
为了通过分布式机器学习（DML）赋能精准农业，分割学习（SL）已成为一种有前景的范式，它在边缘设备和服务器之间划分深度神经网络（DNN），以减少计算负担并保护数据隐私。然而，传统SL框架的“一刀切”策略在农业生态系统中是一个关键限制，因为边缘昆虫监测设备在计算能力、能量约束和连接性方面表现出巨大的异质性。这导致了掉队者瓶颈、资源利用效率低下和模型性能受损。为弥补这一差距，我们引入了ReinDSplit，一种新颖的强化学习（RL）驱动框架，它动态地为每个设备定制DNN分割点，在不牺牲准确性的情况下优化效率。具体来说，一个Q学习智能体充当自适应协调器，平衡设备间的工作负载和延迟阈值，以减轻计算匮乏或过载。通过将分割层选择建模为有限状态马尔可夫决策过程，ReinDSplit的收敛确保了高度受限的设备能够随着时间的推移对模型训练做出有意义的贡献。在使用ResNet18、GoogleNet和MobileNetV2对三个昆虫分类数据集进行评估时，ReinDSplit在使用MobileNetV2时达到了94.31%的准确率。超越农业，ReinDSplit通过协调RL以实现异构环境中的资源效率、隐私和可扩展性，开创了SL的范式转变。
引用
@article{arxiv.2506.13935,
title = {ReinDSplit: Reinforced Dynamic Split Learning for Pest Recognition in Precision Agriculture},
author = {Vishesh Kumar Tanwar and Soumik Sarkar and Asheesh K. Singh and Sajal K. Das},
journal= {arXiv preprint arXiv:2506.13935},
year = {2025}
}