Существующие методы федеративной классификации сцен дистанционного зондирования обычно предполагают фиксированную сетевую архитектуру клиента, игнорируя значительную гетерогенность в вычислительных ресурсах, хранении и энергоснабжении таких устройств, как спутники и беспилотники, что приводит к трудностям в адаптации и развертывании моделей на ресурсно-ограниченных терминалах и ограничивает практическую эффективность федеративной системы. В связи с этим, для исследования кооперативного метода, поддерживающего самостоятельную эволюцию архитектуры нейронных сетей в рамках федеративной системы, в данной работе предложен метод поиска архитектуры нейронной сети, основанный на совместной выборке путей и данных. Метод использует парадигму обучения архитектуры нейронной сети "один раз обучить — использовать многократно" и реализует персонализированную адаптацию клиентов через кооперативный механизм двойной выборки по пути и данным. На этапе совместного обучения сверхсети каждый клиент динамически отбирает ключевые подсети с помощью выборки путей, управляемой нормой градиента, а выборка данных с верхней границей градиента фокусируется на высокоценных образцах, значительно снижая затраты на обучение и коммуникацию сверхсети; на этапе многостороннего развертывания подсетей с помощью эволюционного алгоритма ищется персонализированная сеть с оптимальной точностью на основе локальных данных. Кроме того, результаты экспериментов на четырёх эталонных гетерогенных наборах данных для классификации сцен дистанционного зондирования демонстрируют, что данный метод значительно превосходит фиксированные архитектуры и основные методы обрезки в условиях независимого неидентичного распределения, может эволюционировать лёгкие высокопроизводительные специализированные сети для гетерогенных клиентов при сохранении конфиденциальности данных, эффективно улучшая возможность развертывания и общую производительность федеративных систем дистанционного зондирования.

Федеративное обучение;Классификация сцен дистанционного зондирования;Поиск архитектуры нейронных сетей, эволюционные вычисления, кооперативное обучение и оптимизация