FedAD：一种结合生成式数据增强与自适应参数分解的联邦学习方法，用于水稻病虫害识别

《Computers and Electronics in Agriculture》：FedAD: Federated learning with generative data augmentation and adaptive parameter decomposition for rice pest and disease identification

　　•基于SVD的参数分解方法，用于实现个性化的联邦式水稻病虫害识别。•通过敏感性指标动态分配秩值，以优化子空间容量。•针对IoAT中精细的病虫害特征提取需求，对SepResNet骨干网络进行优化。•利用生成式扩散模型构建RP15数据集，以应对非独立同分布场景。•对算法的收敛性及隐私保护性能进行实证与理论分析。

引言
作为全球一半以上人口的主食，水稻面临着日益增长的需求以及严重的病虫害威胁，这些威胁会导致25%–40%的产量损失，因此精确的识别工作至关重要（Xu等人，2025；Arvadiya等人，2025；Prabhakar等人，2025）。深度学习，尤其是卷积神经网络，在通过大规模数据集学习来实现疾病自动诊断方面展现出巨大潜力（George等人，2025；Dang等人，2025）。然而，在农业领域应用集中式深度学习会带来诸多瓶颈：大量农业数据的收集需要高昂的通信和存储成本，还会形成数据孤岛。更为重要的是，随着农业数据逐渐被视作资产，农民出于竞争担忧、信任缺失以及数据被未经授权用于盈利的顾虑，不愿分享其私人生产数据，这与深度学习的应用越来越相冲突（Hackfort等人，2024；Kaur和Dara，2023；Tunio等人，2024；Rezaei等人，2024）。此外，将实时的田间图像传输到云端会使其面临网络攻击的风险，因此需要强大的加密技术和边缘计算来保障数据完整性（Alahe等人，2025）。

为了解决这些隐私和数据治理方面的问题，联邦学习作为一种有前景的解决方案应运而生（Dembani等人，2025；Ye等人，2025）。联邦学习能够在不交换原始数据的情况下，在分散的边缘设备之间实现协同建模，从而符合《通用数据保护条例》以及欧盟关于农业数据共享的行为准则等严格的数据隐私法规（Dembani等人，2025；Nie等人，2024）。近期已有研究开始探索在农业领域的联邦学习应用。例如，Aggarwal等人（2024）研究了在农业物联网上应用资源效率高的联邦学习策略。然而，将标准联邦学习应用于农业病虫害检测时，往往会受到数据非独立且非同分布特性的阻碍。由于气候、土壤条件以及种植方式的差异，不同地区的病虫害分布情况存在显著差别，这种统计上的异质性会降低单一全局模型的性能（Hari和Singh，2025）。

尽管深度学习模型在水稻病虫害识别方面取得了显著的实证成果，但算法的稳定性和可靠性对于其在农业物联网中的实际应用同样至关重要（Barbedo等人，2026）。农业环境往往面临着网络带宽波动以及边缘设备计算资源有限的双重限制。那些缺乏严格收敛性保证的算法可能会导致训练不稳定或发散，进而造成巨大的通信开销以及电池耗尽的问题（Sapna等人，2026）。此外，可靠的农业决策需要完善的协议以及更精准的不确定性传递机制（Takefuji，2026），这就需要在实证结果之外还有理论上的保障。因此，除了追求识别精度之外，本研究还提供了严谨的收敛性分析。这一理论基础架起了实证观察与工程可靠性之间的桥梁，为在资源受限的自主监测系统中安全部署所提出的算法提供了数学上的保障。

为了解决这些挑战，我们提出了FedAD框架，该框架通过SVD明确分离模型权重，并根据梯度敏感性动态调整个性化容量，从而避免过拟合现象。作为其本地骨干网络，我们设计了SepResNet，该网络采用深度可分离卷积以及坐标注意力机制，以便在资源受限的边缘设备上高效地进行特征提取。我们还通过混合生成式增强策略构建了RP15数据集，该数据集能够为非独立同分布场景提供语义一致的样本，同时缓解数据稀缺的问题。最后，我们采用了如图1所示的交替优化策略：边缘客户端在RP15数据上使用SepResNet更新个性化参数，然后再优化共享矩阵；服务器则仅聚合共享组件，从而在全局收敛性和本地适应性之间取得平衡。简而言之，本工作的主要贡献如下：
1. 我们提出了FedAD，这是一种全新的个性化联邦学习算法，旨在解决非独立同分布数据的难题。FedAD将每个客户端的个性化模型权重分解为一个用于存储全局知识的共享全秩矩阵，以及一个用于本地适应的个性化低秩分量。为了避免在边缘设备上执行显式的奇异值分解所带来的高昂计算成本，FedAD采用了一种创新的参数化策略，即用三个可学习的低秩矩阵的乘积来近似奇异值分解，同时通过正交正则化项来约束，从而大幅降低计算开销。此外，我们还引入了一种基于重要性的动态秩值分配机制，用于动态调整个性化子空间的容量。这种设计有效地平衡了全局泛化能力和本地个性化程度，在非独立同分布场景下的性能优于现有的先进联邦学习方法。
2. 我们设计了SepResNet，这是一种专为农业病虫害识别而设计的资源效率高型的卷积神经网络。通过将深度可分离卷积与坐标注意力机制系统地结合在一起，SepResNet优化了模型复杂度与特征表示能力之间的平衡，在保持高特征表达能力以实现对病虫害的精细识别的同时，减少了计算冗余，非常适合在资源受限的边缘计算环境中使用。
3. 我们构建了RP15数据集，这是一个包含15类水稻病虫害的12,239张图像的异构数据集。为确保数据充足并提升模型的稳健性，我们采用了传统变换与生成式人工智能合成相结合的混合增强策略。这种方法通过向训练数据集中注入合成多样性，有效缓解了数据稀缺的问题，模拟出数据丰富的环境，从而充分展现出协同训练的优势。
4. 通过实验和理论分析，我们证明了FedAD相比基准方法具有更优异的收敛性，同时给出了收敛性保障，并就超参数选择提供了实用建议，有助于减少大量的调试工作。

本文的结构如下。第2节回顾了有关农业病虫害检测的现有研究，总结了统计异质性、边缘资源限制以及数据稀缺等核心挑战。第3节介绍了我们所提出的FedAD框架、SepResNet以及RP15数据集，以此应对这些挑战。第4节通过大量实验和收敛性分析来验证该方法的有效性。第5节讨论了该研究的意义与局限性，第6节则对未来的研究方向进行了展望。

相关研究
本节回顾了基于深度学习和联邦学习的作物病虫害识别方面的现有文献。

材料与方法
在本节中，我们介绍了所提出的联邦自适应分解（FedAD）框架，该框架通过结构化参数分离来实现个性化的本地适配。每个参与客户端在每一轮通信过程中的训练流程包括五个关键阶段：
1. SVD参数化与正交正则化：将低秩矩阵明确表示为正交基矩阵与奇异值矩阵的乘积。同时施加正交正则化以……

实验设置
为了在真实的农业物联网场景中严格评估所提出的FedAD框架的稳健性与有效性，我们在构建的RP15数据集上开展了大量实验。该数据集包含了15种不同类型的水稻病虫害的12,239张图像。为了模拟跨区域农业监测中固有的统计异质性，我们模拟了一个非独立同分布的数据环境。按照标准的联邦学习流程，该数据集被进行了划分……

讨论
在碎片化的农田中进行精准的病虫害管理，需要在保持数据所有权的同时，实现跨不同区域的协同建模。FedAD通过基于SVD的参数分解方法来应对严重的非独立同分布挑战，其中个性化的低秩分量用于捕捉局部变化，而共享的全秩矩阵则用于整合全球知识，从而降低模型偏差，提升跨区域的稳健性。如表10所示，在极端异质性情况下（α=0.1），FedAD的Top-1准确率仍能达到93.05%。

结论
为了解决农业病虫害识别过程中存在的统计异质性、资源限制以及数据隐私等关键问题，本文提出了FedAD框架。FedAD基于SVD参数化技术，将全球范围内的病虫害形态与本地环境差异结构化地分离开来；该方法通过使用带有正交正则化的可学习矩阵，避免了显式分解带来的高昂计算成本。此外，它还具备动态秩值分配功能……

CRediT作者贡献声明
侯东富：写作——审阅与编辑，写作——初稿撰写，可视化，验证，方法论，研究，形式分析，数据整理，概念构建。李伯乐：写作——审阅与编辑，验证，方法论，形式分析，概念构建。任文灿：写作——审阅与编辑，验证，方法论，研究，概念构建。饶远：写作——审阅与编辑，方法论，研究，形式分析，概念构建。谢献红：写作——……

利益冲突声明
作者声明他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金（编号：32371993）、中国安徽省农业科研体系专项基金（编号：2021–2025）、中国安徽省教育厅自然科学研究项目（编号：2024AH050430）以及中国安徽省高等学校省级质量工程项目（编号：2023cyts007 & 2024xjzlts007）的资助。

侯东富|李伯乐|任文灿|饶远|谢献红|朱军