عادةً ما تفترض طرق تصنيف المشاهد الاستشعار عن بعد الفيدرالية الحالية أن بنية الشبكة الخاصة بالعميل ثابتة، متجاهلة التباين الكبير في قدرات الحوسبة والتخزين وإمدادات الطاقة لأجهزة الأقمار الصناعية والطائرات بدون طيار وما إلى ذلك، مما يؤدي إلى صعوبة تكييف ونشر النماذج على الأجهزة ذات الموارد المحدودة، مما يقيد الكفاءة العملية للنظام الفيدرالي. بناءً على ذلك، ومن أجل استكشاف طرق تعاونية تدعم التطور الذاتي لبنية الشبكة العصبية في الإطار الفيدرالي، تقترح هذه الورقة طريقة بحث عن بنية الشبكة العصبية تعتمد على أخذ عينات تعاوني للمسار والبيانات. تستخدم هذه الطريقة نموذج تدريب بحث بنية الشبكة العصبية "تدريب مرة، استخدام متعدد"، لتحقيق التكيف الشخصي للعملاء من خلال آلية أخذ عينات تعاوني ذات بعدين للمسار والبيانات. في مرحلة التدريب التعاوني للشبكة الفائقة، يقوم كل عميل بعملية اختيار مسار ديناميكية للأفرع الفرعية الرئيسية بمساعدة معيار تدرج الدفع، ويركز أخذ العينات على البيانات ذات القيمة العالية استنادًا إلى الحد الأعلى للتدرج لخفض تكلفة التدريب والاتصال بشكل كبير؛ في مرحلة النشر المتعدد للشبكات الفرعية، يتم استخدام خوارزمية التطور للبحث عن بنية شبكة شخصية بأفضل دقة تحققها البيانات المحلية والتحقق منها. بالإضافة إلى ذلك، أظهرت النتائج التجريبية على أربعة مجموعات بيانات معيارية لتصنيف المشاهد الاستشعار عن بعد المختلفة أن هذه الطريقة تتفوق بشكل ملحوظ على البنى الثابتة وطرق التقليم الشائعة في ظل ظروف بيانات غير مستقلة ومتطابقة التوزيع، حيث يمكنها تطور بنية شبكة خفيفة وعالية الأداء خاصة بالتعاون بين العملاء المتغايرين مع حماية خصوصية البيانات، مما يحسن بشكل فعال إمكانية نشر نظام الاستشعار الفيدرالي وأدائه الكلي.

التعلم الفيدرالي;تصنيف مشاهد الاستشعار;بحث بنية الشبكة العصبية،الحوسبة التطورية،التعلم التعاوني والتحسين