論文の概要: The Impact of Federated Learning on Distributed Remote Sensing Archives

• arxiv url: http://arxiv.org/abs/2604.11562v1
• Date: Mon, 13 Apr 2026 14:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.624177
• Title: The Impact of Federated Learning on Distributed Remote Sensing Archives
• Title（参考訳）: 分散リモートセンシングアーカイブにおけるフェデレーション学習の効果
• Abstract要約: 地球観測ミッションでは5ペタバイト以上の画像が蓄積され、多くの地理的に分散したプラットフォームに格納され、処理されている。 中央集権的な方法で機械学習モデルをトレーニングすることは、データボリューム、主権の制約、地理的分布のために現実的ではない。 フェデレートラーニング(FL)は、データをローカルに保持し、モデル更新のみを交換することで、この問題に対処する。
• 参考スコア（独自算出の注目度）: 0.5833117322405447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing archives are inherently distributed: Earth observation missions such as Sentinel-1, Sentinel-2, and Sentinel-3 have collectively accumulated more than 5 petabytes of imagery, stored and processed across many geographically dispersed platforms. Training machine learning models on such data in a centralized fashion is impractical due to data volume, sovereignty constraints, and geographic distribution. Federated learning (FL) addresses this by keeping data local and exchanging only model updates. A central challenge for remote sensing is the non-IID nature of Earth observation data: label distributions vary strongly by geographic region, degrading the convergence of standard FL algorithms. In this paper, we conduct a systematic empirical study of three FL strategies -- FedAvg, FedProx, and bulk synchronous parallel (BSP) -- applied to multi-label remote sensing image classification under controlled non-IID label-skew conditions. We evaluate three convolutional neural network (CNN) architectures of increasing depth (LeNet, AlexNet, and ResNet-34) and analyze the joint effect of algorithm choice, model capacity, client fraction, client count, batch size, and communication cost. Experiments on the UC Merced multi-label dataset show that FedProx outperforms FedAvg for deeper architectures under data heterogeneity, that BSP approaches centralized accuracy at the cost of high sequential communication, and that LeNet provides the best accuracy-communication trade-off for the dataset scale considered.
• Abstract（参考訳）: Sentinel-1、Sentinel-2、Sentinel-3などの地球観測ミッションは合計で5ペタバイト以上の画像を蓄積し、多くの地理的に分散したプラットフォームで保存・処理している。 中央集権的な方法で機械学習モデルをトレーニングすることは、データボリューム、主権制約、地理的分布のために現実的ではない。 フェデレートラーニング(FL)は、データをローカルに保持し、モデル更新のみを交換することで、この問題に対処する。 リモートセンシングの主な課題は、地球観測データの非IID的な性質である: ラベル分布は地理的領域によって大きく異なり、標準FLアルゴリズムの収束性を低下させる。 本稿では,FedAvg,FedProx,バルク同期並列(BSP)の3つのFL戦略を,制御された非IIDラベルスキュー条件下でのマルチラベルリモートセンシング画像分類に適用した系統的研究を行った。 我々は、深度を増大させる3つの畳み込みニューラルネットワーク(CNN)アーキテクチャ(LeNet、AlexNet、ResNet-34)を評価し、アルゴリズム選択、モデルキャパシティ、クライアント数、クライアント数、バッチサイズ、通信コストの結合効果を分析する。 UC Mercedのマルチラベルデータセットの実験では、FedProxはデータ不均一性の下でのより深いアーキテクチャにおいてFedAvgよりも優れており、BSPは高いシーケンシャル通信コストで集中的精度に近づき、LeNetは考慮されたデータセットスケールで最高の精度とコミュニケーションのトレードオフを提供する。

関連論文リスト

• CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
  CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。 ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
  論文  参考訳（メタデータ） (2026-07-03T09:36:02Z)
• Cross-Domain Federated Semantic Communication with Global Representation Alignment and Domain-Aware Aggregation [102.51096131854848]
  本研究は,画像再構成作業における意味コミュニケーションシステムの訓練における領域シフトを考慮した最初の試みである。 提案手法は,SNRが1dBの3領域のPSNR値に対して,モデルコントラストFL(MOON)フレームワークを0.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-11-30T03:19:59Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Widening the Network Mitigates the Impact of Data Heterogeneity on FedAvg [6.185573921868495]
  フェデレートラーニング(FL)により、分散クライアントは、ローカルデータを共有せずに、協調的にモデルをトレーニングできる。 ニューラルネットワークの幅が大きくなると、データの不均一性の影響は減少し、幅が無限に近づくと最終的に消滅する。 無限幅系では、FedAvgのグローバルモデルと局所モデルの両方が線形モデルとして振る舞うことがさらに証明され、FedAvgはGD反復数と同じ数の集中学習と同じ一般化性能を達成する。
  論文  参考訳（メタデータ） (2025-08-18T02:22:55Z)
• DFed-SST: Building Semantic- and Structure-aware Topologies for Decentralized Federated Graph Learning [5.072144098417946]
  Decentralized Federated Learning (DFL)は、堅牢な分散パラダイムとして登場した。 本稿では,適応通信を用いた分散グラフ学習フレームワークDFed-SSTを提案する。 8つの実世界のデータセットの実験は、DFed-SSTの優位性を一貫して示し、ベースライン法よりも平均精度が3.26%向上した。
  論文  参考訳（メタデータ） (2025-08-15T15:15:54Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Exploiting Label Skewness for Spiking Neural Networks in Federated Learning [19.97002315960335]
  FedLECは、ローカルラベル間の学習強度と、ローカルSNNモデルのバイアスを軽減するために、クライアント間知識蒸留のバランスをとるために、クライアント内ラベル量校正を取り入れている。 8つの最先端FLアルゴリズムと比較して、FedLECはグローバルSNNモデルの平均精度を約11.59%向上させる。
  論文  参考訳（メタデータ） (2024-12-23T05:52:32Z)
• Semi-decentralized Training of Spatio-Temporal Graph Neural Networks for Traffic Prediction [0.15978270011184256]
  スマートモビリティ領域における時空間グラフ時間ニューラルネットワーク(ST-GNN)のための半分散トレーニング手法を探索し,適応する。 センサを複数のクラウドレットに近接してグループ化するシミュレーションフレームワークを実装した。 半分散的なセットアップは、パフォーマンスメトリクスの集中的なアプローチと同等であることを示す。
  論文  参考訳（メタデータ） (2024-12-04T10:20:21Z)
• Anatomical 3D Style Transfer Enabling Efficient Federated Learning with Extremely Low Communication Costs [1.3654846342364306]
  本稿では,多臓器分割作業に3Dスタイル転送を利用する新しいフェデレートラーニング(FL)手法を提案する。 これらのクラスターに基づいてスタイルを混ぜることで、解剖学的情報を保存し、モデルに組織内多様性を学習させる。 実験により,通信コストが極めて制限された場合においても,本手法は精度を維持可能であることが示された。
  論文  参考訳（メタデータ） (2024-10-26T07:00:40Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• Neighborhood Gradient Clustering: An Efficient Decentralized Learning Method for Non-IID Data Distributions [5.340730281227837]
  現在の最先端の分散アルゴリズムは、主にデータ分散が独立的で、明確に分散していると仮定している。 textitNeighborhood Gradient Clustering (NGC) は,各エージェントの局所勾配を自己および横断的情報を用いて修正する,分散学習アルゴリズムである。
  論文  参考訳（メタデータ） (2022-09-28T19:28:54Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。