FedMAD：面向遥感图像分类的调制感知定向聚合联邦学习

arXiv:2610.00693v1 公告类型：cross 摘要：近年来，联邦学习（FL）在遥感（RS）领域受到越来越多的关注，因为它能够在无需直接访问本地数据的情况下，实现跨去中心化遥感图像存档的协同模型训练。然而，当客户端之间的数据分布存在异质性时，FL的性能会显著下降，而这种情况通常源于地理差异、季节变化以及图像采集条件和大气条件的不同。为应对这一挑战，本文提出了一种面向遥感图像分类问题的新型个性化联邦学习框架（称为FedMAD）。该框架将全局共享的表征参数与客户端特定的适应参数分离，在保留客户端特定特征的同时，维持具有全局迁移能力的表征。具体而言，我们在骨干网络中集成了轻量级调制模块和本地批归一化层。尽管全局共享参数在客户端之间进行协同优化，但客户端特定参数保留在本地，以保留领域特定的特征属性。此外，FedMAD引入了一种调制感知定向聚合策略，根据本地调制更新之间的一致性，动态调整每个客户端在聚合中的重要性。该策略使全局优化过程能够抑制源自异质数据分布的相互冲突的客户端更新，同时增强具有一致适应行为的客户端所作出的贡献。在BigEarthNet-S2和EuroSAT数据集上的实验结果表明，在异质遥感数据分布下，与当前最先进的FL算法相比，FedMAD具有良好的有效性。所提出框架的代码将公开发布于https://git.tu-berlin.de/rsim/fedmad。