近日，數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院科研團(tuán)隊(duì)在網(wǎng)絡(luò)領(lǐng)域國(guó)際頂級(jí)會(huì)議ACM萬(wàn)維網(wǎng)大會(huì)（WWW 2026）上發(fā)表研究論文《Communication-Efficient Federated Learning for Post-Flood Risk Assessment Using UAV Swarms》（面向山洪災(zāi)后風(fēng)險(xiǎn)評(píng)估的高效無(wú)人機(jī)集群聯(lián)邦學(xué)習(xí)方法）。WWW會(huì)議是中國(guó)計(jì)算機(jī)學(xué)會(huì)推薦的A類(lèi)（CCF A）頂級(jí)國(guó)際學(xué)術(shù)會(huì)議，其H-5指數(shù)120，Impact Score 15.6，錄用率為20.1%，在網(wǎng)絡(luò)/人工智能等領(lǐng)域享有極高的學(xué)術(shù)聲譽(yù)。浙江農(nóng)林大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院為論文第一單位與通訊作者單位。
針對(duì)山洪災(zāi)害快速風(fēng)險(xiǎn)評(píng)估中面臨的海量影像數(shù)據(jù)傳輸壓力大、網(wǎng)絡(luò)帶寬受限等問(wèn)題，結(jié)合無(wú)人機(jī)集群應(yīng)用場(chǎng)景，引入聯(lián)邦學(xué)習(xí)框架，實(shí)現(xiàn)數(shù)據(jù)本地處理與協(xié)同建模。提出了一種通信高效聯(lián)邦蒸餾框架（CEFD）。通過(guò)構(gòu)建輕量級(jí)多層知識(shí)表達(dá)機(jī)制，摒棄龐大參數(shù)的傳輸，選擇高效地交換經(jīng)過(guò)特征空間維度縮減的高級(jí)語(yǔ)義邏輯和關(guān)鍵中間特征。在服務(wù)器端引入自適應(yīng)加權(quán)聚合策略，提升全局模型的穩(wěn)定性與泛化能力。實(shí)驗(yàn)結(jié)果表明，在LSD公開(kāi)數(shù)據(jù)集上，該方法在保證較高分割精度的同時(shí)，大幅降低通信開(kāi)銷(xiāo)，顯著提升無(wú)人機(jī)集群在山洪災(zāi)害監(jiān)測(cè)中的性能。
本研究得到國(guó)家自然科學(xué)基金資助。
全文鏈接https://dl.acm.org/doi/10.1145/3774904.3792983#abstract
浙ICP備11046845號(hào)-1 浙公網(wǎng)安備33018502001115號(hào) 