基于联邦学习的玉米叶片病害识别方法

联邦学习可利用分布式数据实现模型共享训练,无需本地数据上传继而可保证数据资产安全,但数据异构导致本地模型产生漂移而难以有效聚合全局模型。为此,本文提出了一种基于联邦学习的分布式病害识别方法G-FedAvg。针对各用户间数据种类缺失异构导致模型泛化性减弱的问题,通过改进损失函数梯度更新策略,提升用户模型学习捕获全局泛化信息能力;针对数据特征差异导致模型过度拟合,通过自监督预训练,缓解因其所致性能下降。试验以玉米叶片病害识别为导向,并进一步评估病害程度,其结果表明,改进算法G-FedAvg在无需数据上传前提下,取得了与集中学习模型近乎一致的识别性能;与传统联邦学习相比,G-FedAvg的识别准确率与收敛速度有效提升,准确率波动显著降低。因此,所提算法G-FedAvg可有效联合参与用户利用其本地数据完成分布式学习,实现对玉米叶片病害的精准识别。

熔炉炼就军人品质,任尔淘洗本色不改--记河曲县旧县乡武装部部长刘高升

他坚毅朴实、任劳任怨,不因平凡而平庸。他从入党那一刻,便决心将一切奉献于党和人民,即使退伍,也依然坚守军人的身份本质,只要党和人民需要,便勇敢地站在第一线,展现出了共产党员的人格风范。率先垂范任劳任怨服务军人刘高升是河曲县鹿固乡南沙洼村人,从他投身军营的那一刻起,就在心里立下铮铮誓言:“当兵就当排头兵,保家卫国固长城。忠心爱国跟党走,甘愿做颗螺丝钉”。