Bestehende föderierte Methoden zur Klassifikation von Fernerkundungsszenarien gehen typischerweise von einer festen Netzwerkarchitektur des Clients aus und ignorieren die signifikante Heterogenität in Rechenleistung, Speicher und Energieversorgung von Geräten wie Satelliten und Drohnen, was dazu führt, dass Modelle auf ressourcenbeschränkten Endgeräten schwer anpassbar und einsatzfähig sind und damit die praktische Effizienz des föderierten Systems eingeschränkt wird. Vor diesem Hintergrund und zur Erforschung kollaborativer Methoden, die die selbständige Evolution von neuronalen Netzwerkarchitekturen im föderierten Rahmen unterstützen, wird in dieser Arbeit eine Methode zur neuronalen Architektur-Suche vorgestellt, die auf kooperativem Sampling von Pfaden und Daten basiert. Diese Methode verwendet das Trainingsparadigma „einmal trainieren, mehrfach verwenden“ für neuronale Architektur-Suche und realisiert eine klientenspezifische Anpassung durch einen zweidimensionalen kooperativen Sampling-Mechanismus von Pfaden und Daten. In der kooperativen Trainingsphase des Supernetzes wählen die Clients dynamisch Schlüssel-Subnetzarchitekturen durch pfadbasiertes Sampling geleitet durch Gradienten-Normen aus, während das datengesteuerte Sampling mit Gradienten-Obergrenze sich auf hochwertige Proben fokussiert und dadurch die Trainings- und Kommunikationskosten des Supernetzes erheblich reduziert; in der Mehrparteien-Deploy-Phase der Subnetze wird ein Evolutionsalgorithmus eingesetzt, um die personalisierte Netzwerkarchitektur mit der besten Validierungsgenauigkeit basierend auf lokalen Daten zu suchen. Darüber hinaus zeigen experimentelle Ergebnisse auf vier heterogenen Benchmark-Datensätzen für die Klassifikation von Fernerkundungsszenarien, dass die Methode unter nicht-unabhängigen und identisch verteilten Bedingungen deutlich besser abschneidet als feste Architekturen und gängige Pruning-Methoden, indem sie bei Wahrung der Datenprivatsphäre leichte, leistungsstarke und exklusive Netzwerkarchitekturen für heterogene Clients kooperativ evozieren kann und so die Einsetzbarkeit und Gesamtleistung föderierter Fernerkundungssysteme effektiv verbessert.

Föderiertes Lernen;Klassifikation von Fernerkundungsszenarien;Neurale Architektursuche, Evolutionäre Berechnung, kooperatives Lernen und Optimierung