כתבה
arXiv cs.LG ·
FedMAD: פקטורים-מודולטוריים לאגרגציה-מודולטורית ללמידה הפוכה בטיפול בתמונות רישום-אוויר
FedMAD: Modulation-Aware Directional Aggregation for Federated Learning in Remote Sensing Image Classification
מסגרת ללמידה הפוכה לטיפול בתמונות רישום-אוויר, FedMAD, מציעה פקטורים-מודולטוריים לאגרגציה-מודולטורית. המסגרת מאפשרת טיפול בתמונות רישום-אוויר באופן פרטני ומשפרת את התוצאות. FedMAD נכתב בספרדית ומבוסס על המסגרת TensorFlow.
תקציר מקורי באנגליתarXiv:2610.00693v1 Announce Type: cross Abstract: Federated learning (FL) has recently attracted increasing attention in remote sensing (RS) since it enables collaborative model training across decentralized RS image archives without requiring direct access to local data. However, FL performance significantly degrades when the data distributions between clients are heterogeneous, which often occurs due to geographical differences, seasonal changes, and varying image acquisition and atmospheric conditions. To address this challenge, in this letter, we propose a novel personalized FL framework (denoted as FedMAD) for RS image classification problems. The proposed framework separates globally shared representation parameters from client-specific adaptation parameters to preserve client-specif
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית