Les méthodes actuelles de classification fédérée des scènes de télédétection supposent généralement une architecture réseau client fixe, négligeant l'hétérogénéité importante en termes de puissance de calcul, de stockage et d'alimentation en énergie des dispositifs comme les satellites et les drones, ce qui rend difficile l'adaptation et le déploiement des modèles sur des terminaux à ressources limitées, limitant ainsi l'efficacité pratique du système fédéré. En réponse, afin d'explorer une méthode collaborative supportant l'évolution autonome des architectures de réseaux neuronaux dans un cadre fédéré, cet article propose une méthode de recherche d'architecture neuronale basée sur un échantillonnage collaboratif des chemins et des données. Cette méthode adopte un paradigme d'entraînement "une fois pour plusieurs usages" et réalise une adaptation personnalisée des clients via un mécanisme d'échantillonnage collaboratif bi-dimensionnel des chemins et des données. Lors de la phase d'entraînement collaboratif du sur-réseau, chaque client sélectionne dynamiquement des sous-réseaux clés par échantillonnage de chemins guidé par la norme du gradient, tandis que l'échantillonnage des données basé sur la borne supérieure du gradient se concentre sur des échantillons de grande valeur, ce qui réduit considérablement les coûts d'entraînement et de communication du sur-réseau ; lors de la phase de déploiement multipartite des sous-réseaux, un algorithme évolutif recherche l'architecture de réseau personnalisée avec la meilleure précision basée sur les données locales. De plus, les résultats expérimentaux sur quatre ensembles de données hétérogènes de référence pour la classification des scènes de télédétection montrent que cette méthode surpasse nettement les architectures fixes et les méthodes de pruning courantes sous des conditions de données non indépendantes et identiquement distribuées, pouvant faire évoluer de manière collaborative des architectures réseau exclusives légères et performantes pour des clients hétérogènes tout en protégeant la confidentialité des données, améliorant efficacement la faisabilité de déploiement et la performance globale des systèmes fédérés de télédétection.

Apprentissage fédéré;Classification des scènes de télédétection;Recherche d'architecture de réseau neuronal, calcul évolutionnaire, apprentissage collaboratif et optimisation