A Comparative Study of Client-Level Stabilization Techniques in Federated Learning for Robust Plant Disease Recognition

人工智能（AI）算法在精准农业中的成功集成，为农民提供了通过作物相关预测来识别潜在问题（如早期病害检测或虫害侵染）的手段。该领域的新技术发展通过减少对专业人类知识的依赖并促进更广泛的诊断程序获取，改善了传统农业的运作方式。然而，该领域的大多数研究依赖于AI模型的集中式训练，这导致成本增加并引发隐私相关担忧。联邦学习（FL）提供了一个引人注目的框架，可在分布式数据集上协作训练机器学习（ML）模型，而无需集中化各参与者拥有的数据。联邦学习在保护数据隐私方面具有显著优势，促进了地理上分布的数据源的协作利用，并降低了与集中收集相关的风险。本文研究了在高度接近真实条件的场景中，现有联邦学习与隐私保护学习在用于植物病害检测的分布式感知系统中的当前局限性与性能边界。我们的分析特别考察了联邦学习聚合算法（如FedAvg、FedAvgM和FedProx）在自定义多客户端实验设置中的工作方式，其中数据被划分，使得每个参与者仅观察到与特定环境和气候条件相关的症状模式。我们提出对本地模型进行进一步的部分聚合，即仅将模型骨干发送至中央服务器，而每个参与者的分类头严格保留在客户端侧。环境异质性的构建与一个全局代表性的稳定器节点相结合，该节点旨在保留某些客户端可能缺失的跨病害类别的知识。