Federated Learning Across Decentralized and Unshared Archives for Remote Sensing Image Classification

要約

フェデレーテッドラーニング（FL）は、複数のディープラーニングモデルを連携させることで、クライアント上のデータにアクセスすることなく、分散化されたデータアーカイブ（すなわちクライアント）から学習することを可能にする。FLは分散画像アーカイブからの知識発見において十分な機会を提供するが、リモートセンシング（RS）ではほとんど考慮されていない。本論文では、RSで初めて、RS画像分類問題に対する最新のFLアルゴリズムの比較研究を行う。この目的のために、まずコンピュータビジョンと機械学習のコミュニティで発表されたFLアルゴリズムの体系的なレビューを行う。次に、クライアント間の訓練データの不均一性（非IIDデータとして知られる）に対する有効性に基づいて、いくつかの最先端のFLアルゴリズムを選択する。選択したアルゴリズムの広範な概要を提示した後、アルゴリズムの理論的比較を、以下の点に基づき行う：1)局所学習の複雑さ、2)集約の複雑さ、3)学習効率、4)通信コスト、5)クライアント数のスケーラビリティ。理論的な比較の後、実験的な分析を行い、異なる分散化シナリオの下で比較する。実験分析では、RSにおけるマルチラベル画像分類問題に注目する。我々の包括的な分析に基づき、最終的にRSにおける適切なFLアルゴリズムを選択するためのガイドラインを導出する。本研究のコードはhttps://git.tu-berlin.de/rsim/FL-RS。

要約(オリジナル)

Federated learning (FL) enables the collaboration of multiple deep learning models to learn from decentralized data archives (i.e., clients) without accessing data on clients. Although FL offers ample opportunities in knowledge discovery from distributed image archives, it is seldom considered in remote sensing (RS). In this paper, as a first time in RS, we present a comparative study of state-of-the-art FL algorithms for RS image classification problems. To this end, we initially provide a systematic review of the FL algorithms presented in the computer vision and machine learning communities. Then, we select several state-of-the-art FL algorithms based on their effectiveness with respect to training data heterogeneity across clients (known as non-IID data). After presenting an extensive overview of the selected algorithms, a theoretical comparison of the algorithms is conducted based on their: 1) local training complexity; 2) aggregation complexity; 3) learning efficiency; 4) communication cost; and 5) scalability in terms of number of clients. After the theoretical comparison, experimental analyses are presented to compare them under different decentralization scenarios. For the experimental analyses, we focus our attention on multi-label image classification problems in RS. Based on our comprehensive analyses, we finally derive a guideline for selecting suitable FL algorithms in RS. The code of this work will be publicly available at https://git.tu-berlin.de/rsim/FL-RS.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL