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

要約

フェデレーション ラーニング (FL) を使用すると、クライアント上のデータにアクセスせずに、複数のディープ ラーニング モデルを連携して分散データ アーカイブ (つまり、クライアント) から学習できます。
FL は分散画像アーカイブからの知識発見の機会を十分に提供しますが、リモート センシング (RS) ではほとんど考慮されていません。
この論文では、RS で初めて、RS 画像分類問題に対する最先端の FL アルゴリズムの比較研究を紹介します。
この目的を達成するために、私たちは最初に、コンピューター ビジョンと機械学習のコミュニティで提示されている FL アルゴリズムの体系的なレビューを提供します。
次に、クライアント間のトレーニング データの異質性 (非 IID データと呼ばれる) に関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します。
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が以下に基づいて行われます。1) ローカル トレーニングの複雑さ。
2) 集計の複雑さ。
3）学習効率。
4）通信費。
5) クライアント数に関するスケーラビリティ。
理論的な比較の後、さまざまな分散化シナリオの下でそれらを比較するための実験分析が提示されます。
実験分析では、RS におけるマルチラベル画像分類問題に焦点を当てます。
包括的な分析に基づいて、RS で適切な FL アルゴリズムを選択するためのガイドラインを最終的に導き出します。
この作業のコードは https://git.tu-berlin.de/rsim/FL-RS で公開されています。

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 is 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, Google