基于云的协作式农业学习：模型规模灵活且批量处理数量可自适应

《ACM Transactions on Sensor Networks》：Cloud-based Collaborative Agricultural Learning with Flexible Model Size and Adaptive Batch Number

农业物联网中协作学习框架的优化方法。针对数据异构性、系统异构性和通信开销问题，提出CALFA框架，通过分类金字塔实现多尺度模型训练，自适应聚合优化权重分配，调整批量数降低通信成本，实验显示通信开销减少75%且支持更多设备参与。

　　

摘要

随着世界人口的快速增长，发展农业技术已成为当务之急。传感器网络已被广泛用于监测和管理农业状况。此外，由于人工智能（AI）技术具有高精度，能够分析通过传感器网络收集的大量数据，因此也被采用。农业应用设备上的数据集通常需要不断扩展，这限制了AI算法的性能。因此，研究人员转向协作学习（CL）来利用多设备上的数据来私有地训练全局模型。然而，当前的农业应用协作学习框架存在三个问题：数据异构性、系统异构性和通信开销。在本文中，我们提出了基于云的协作农业学习框架——CALFA（Cloud-based Collaborative Agricultural Learning with Flexible model size and Adaptive batch number），该框架在保持训练效果的同时提高了效率和应用范围。CALFA包含三个模块：分类金字塔（Classification Pyramid）允许设备在训练过程中使用不同大小的模型，并支持对不同大小的对象进行分类；自适应聚合（Adaptive Aggregation）调整聚合权重以维持收敛速度和准确性；自适应调整（Adaptive Adjustment）调整训练批次数量以减少通信开销。实验结果表明，CALFA在减少通信开销方面优于其他最先进（SOTA）的协作学习框架，通信开销降低了多达75%，同时几乎不会损失准确性。此外，CALFA通过减小模型大小，使得更多设备能够参与训练。