Core Concepts
フェデレーテッド学習は、クライアント間の分散型かつ共有されていないデータアーカイブから知識を発見する際に多くの機会を提供するが、リモートセンシング分野ではほとんど考慮されていない。本研究では、リモートセンシング分野における最先端のフェデレーテッド学習アルゴリズムの比較研究を初めて行う。
Abstract
本研究では、コンピュータビジョン分野で提案されたフェデレーテッド学習アルゴリズムの体系的な調査を行い、クライアント間の訓練データの異質性に対して効果的なアルゴリズムを選択した。選択したアルゴリズムの詳細な概要を提示し、それらの理論的な比較を行った。分類タスクとしては、リモートセンシング画像が通常複数のクラスから構成されるため、多ラベル分類問題を考慮した。理論的な比較に続いて、様々な分散化シナリオの下でのアルゴリズムの実験的な比較を行った。包括的な分析に基づき、リモートセンシングにおけるフェデレーテッド学習アルゴリズムの選択に関するガイドラインを導出した。
Stats
訓練データの異質性が高いほど、多くのアルゴリズムのF1スコアが若干低下する。
クライアントの数Kが増加するにつれ、ほとんどのアルゴリズムのF1スコアが若干低下する。
Quotes
"フェデレーテッド学習は、分散型かつ共有されていないリモートセンシング画像アーカイブから知識を発見する際に多くの機会を提供するが、リモートセンシング分野ではほとんど考慮されていない。"
"リモートセンシング画像が通常複数のクラスから構成されるため、多ラベル分類問題を考慮した。"