FedMAD: Modulation-Aware Directional Aggregation for Federated Learning in Remote Sensing Image Classification
Aggiunta all'archivio di AIChronos il (numero del 30 settembre 2026 ricostruito)· fonte del · Barış Büyüktaş, Begüm Demir
FedMAD è un framework di apprendimento federato (FL) personalizzato per la classificazione di immagini da telerilevamento che affronta l'eterogeneità dei dati tra i client. Il metodo separa i parametri della rappresentazione globale condivisa dai parametri specifici del cliente, integrando moduli leggeri di modulazione e livelli di normalizzazione batch locali nel backbone della rete. Viene introdotta una strategia di aggregazione direzionale consapevole della modulazione che regola dinamicamente l'importanza dell'aggiornamento in base all'allineamento locale dei gradienti. Questo approccio permette al processo globale di sopprimere gli aggiornamenti conflittuali derivanti da distribuzioni eterogenee, preservando le caratteristiche specifiche del dominio.
- FedMAD separa i parametri globali condivisi dai parametri specifici del cliente per mantenere sia la trasferibilità che le caratteristiche locali.
- L'integrazione di moduli di modulazione e normalizzazione batch nel backbone facilita l'adattamento locale senza compromettere la rappresentazione globale.
- La strategia di aggregazione direzionale consapevole della modulazione adatta dinamicamente il peso dell'aggiornamento in base all'allineamento delle modifiche locali.
- Il framework sopprime gli aggiornamenti conflittuali causati da differenze geografiche, stagionali o atmosferiche nei dati del telerilevamento.
- I risultati sperimentali su BigEarthNet-S2 e EuroSAT dimostrano la superiorità di FedMAD rispetto agli algoritmi FL state-of-the-art in scenari eterogenei.
Perché conta. Sebbene focalizzato sul telerilevamento, il principio di separazione tra rappresentazioni globali condivise e adattamenti locali è fondamentale per lo sviluppo di agenti AI autonomi che operano su dati distribuiti o non I.I.D. Inoltre, l'uso di moduli leggeri per gestire l'eterogeneità dei dati offre spunti preziosi per ottimizzare il fine-tuning locale in modelli LLM senza degradare le capacità generali del modello.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.